Algebra Linealde Luis Moreno

Conceptos básicos de
Álgebra Lineal
Julio 29 de 2017
Última versión en
http://textodealgebralineal.blogspot.com.co/
Luis F. Moreno S.
Antioquia–Colombia
ii Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Autor Luis F. Moreno S.

Magı́ster en Matemáticas Aplicadas
Docente
Edición y diagramación: José Luis Moreno Avendaño y Luis F. Moreno S.

Corrección de estilo: Luis F. Moreno S.
Conceptos básicos de Álgebra Lineal
Realizado en Antioquia–Colombia
Agosto de 2017
Índice general
Prólogo v
Introducción vii
Preliminares ix
1 Matrices y sistemas de ecuaciones lineales 1

1.1 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Multiplicación de matrices . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Propiedades de las operaciones con matrices . . . . . . . . . . . . 29
1.4 Solución de sistemas de ecuaciones lineales . . . . . . . . . . . . . 33
1.5 Inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . 57
1.6 Factorización LU . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2 Determinantes 75
2.1 Propiedades de los determinantes . . . . . . . . . . . . . . . . . . 78
2.2 Determinantes por cofactores . . . . . . . . . . . . . . . . . . . . 89
2.3 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.4 Uso de determinantes para calcular áreas en R2 . . . . . . . . . . 101
3 Vectores en Rn 105
3.1 Vectores en R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.2 Vectores en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.3 Aplicaciones de vectores en R3 . . . . . . . . . . . . . . . . . . . 143
iv Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
4 Espacios Vectoriales 163

4.1 Rn como espacio vectorial . . . . . . . . . . . . . . . . . . . . . . 163
4.2 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 169
4.3 Subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 178
4.4 Bases ortonormales en Rn . . . . . . . . . . . . . . . . . . . . . . 202
5 Transformaciones Lineales 209
6 Valores propios y vectores propios 223

Prólogo
Surge este texto por la necesidad detectada en los estudiantes de pregrado de

ingenierı́a de disponer de una herramienta básica provechosa para seguir un curso
introductorio de Álgebra Lineal en el aula de clase.
Se explican los temas de Matrices, Sistemas lineales, Determinantes, Trans-
formaciones lineales, Vectores en Rn , Rn como espacio vectorial y, por último,
Valores y vectores propios. Se ofrecen ejemplos prácticos y teóricos; y se propo-
nen ejercicios a medida que los conceptos teóricos surgen, buena parte con sus
respuestas; siempre partiendo de lo simple a lo medianamente complejo; y en
algunos casos estimulando la creatividad. Se recomienda al profesor explicar solo
algunos ejemplos y ejercicios, y realizar y proponer los propios en el aula de clase.
Además, se incluyen algunas demostraciones sencillas para aquellos estudiantes
que deseen trascender de los ejercicios operativos a lo abstracto. Queda a juicio
del profesor profundizar en las demostraciones.
El seguimiento de estas notas en el aula de clase (fı́sica o virtual) ahorrará
tiempo al docente, pues no requerirá escribir los conceptos, y podrá aprovechar
este tiempo en la explicación de nuevos ejemplos que él considere pertinentes.
Además, el estudiante evitará estudiar de errores que se cometen al tomar nota
en clase y de errores casuales del mismo docente.
Agradecimientos a mis alumnos, pues fueron la semilla que dio origen a estos
escritos.
En un futuro se espera enriquecer el tipo de ejemplos, que tanto ayudan al
alumno y facilitan la labor al docente; también se planea emplear software ma-
temático en la solución de problemas; y desarrollar una herramienta interactiva
en la que el estudiante se ejercite y las instituciones educativas puedan hacer
seguimiento al desarrollo de sus educandos.
vi Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Introducción
Se sabe hasta ahora que los orı́genes del álgebra lineal se remontan a los babi-
lonios en el siglo XXI antes de Cristo. Un ejemplo es el escrito en una de las
famosas tablillas de Croquetta:
Existen dos campos cuyas áreas suman 1800 yardas1 cuadradas. Uno
produce granos en razón de 2/3 de saco por yarda cuadrada, mientras
que el otro produce granos en razón de 1/2 saco por yarda cuadrada.
Si la producción total es de 1100 sacos, ¿cuál es el tamaño de cada
campo?
Se conoce también el papiro Rhind, del año 1650 antes de cristo, del sacerdo-
te egipcio Áhmes, donde se consideran ecuaciones de primer grado. Luego, los
matemáticos chinos, durante los siglos III y IV antes de cristo, continuaron la
tradición de los babilonios con los primeros métodos del pensamiento lineal. Por
ejemplo, el método para la solución de problemas lineales, que es conocido co-
mo la regla fan-chen, que trascendió en lo que hoy es conocido como el método
de eliminación gaussiana. Luego vendrı́an los aportes de los islámicos y de los
europeos.
Actualmente, el álgebra lineal estudia, entre otros, conceptos tales como:
matrices, sistemas de ecuaciones lineales, determinantes, vectores, espacios vec-
toriales, y valores y vectores propios. Estos conceptos tienen conexiones con áreas
prácticas y teóricas como: las ingenierı́as, economı́a, fı́sica, astronomı́a, gráficas
por computador, análisis funcional, ecuaciones diferenciales e investigación de
operaciones, entre otros.
Nos proponemos en las próximas lı́neas entender los conceptos básicos de
estos temas mediante sencillos ejemplos y ejercicios operativos, prácticos y abs-
tractos.
1
Medida de longitud del sistema inglés que equivale a 91,4 centı́metros
viii Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Preliminares
Acerca de las pruebas matemáticas
Comenzaré la explicación de lo que es una prueba mediante una analogı́a y

asumiendo que usted no sabe algo acerca de estas: suponga que deseamos fabricar
una mesa sencilla. Para ello requeriremos de materiales (madera, pegamento,
clavos . . . ) y herramientas (martillo, serrucho, metro, . . . ). Llamaremos a los
materiales y herramientas nuestra hipótesis; y a nuestro objetivo, construir la
mesa, la tesis. Sabemos que para lograr la tesis hay una serie de pasos (comprar
la madera, transportarla, tomar medidas, cortar, untar pegamento, ensamblar,
etcétera). A esta serie de pasos le llamaremos procedimiento. Pues bien, una
prueba matemática consta de esos tres elementos: una hipótesis, una tesis y
un procedimiento que partiendo de la hipótesis alcanza la tesis. Por supuesto, el
procedimiento puede tener variaciones; no todos fabricarı́amos una mesa de igual
forma, aunque tuviéramos los mismos materiales y herramientas. Los procesos
pueden ser diferentes: dependen de nuestros conocimientos, gustos y objetivos.
Y ası́ son los procedimientos en las pruebas: variados. Hay diferentes formas de
realizar pruebas, las cuales iremos observando. Veamos ahora algo más formal:
Una prueba matemática es un argumento convincente acerca de la precisión
de una afirmación. Dicho argumento debe contener los suficientes detalles para
convencer a la audiencia de la veracidad o falsedad de tal afirmación.
Una afirmación puede ser algo sencillo como 8 ÷ 2 = 4, la cual es verdadera o
12×5 = 57, la cual es falsa. Pero una más compleja podrı́a ser: si ax2 +bx+c = 0
con a 6= 0, entonces
√
−b ± b2 − 4ac
x= .
2a
Para este caso, la hipótesis, es decir, la herramienta y materiales con los que
vamos a trabajar,
√ es ax2 + bx + c = 0 con a 6= 0 y la tesis, lo que vamos a probar,
2
es x = −b± 2a b −4ac
, donde la prueba serı́a
x Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
Prueba.
1
Sea ax2 + bx + c = 0 y a 6= 0, por hipótesis
2
x2 + ab x + c
a = 0, dividiendo por a
b c
3
x2 + ax = −a, sumando − ac a ambos lados
b 2 b 2 b 2
b

4
x2 + a x + 2a = 2a − ac , sumando 2a
b
2 b2 −4ac
5
x+ 2a = 4a2 , el lado izquierdo es un
trinomio cuadrado perfecto
√
6 b ± b2 −4ac
x+ =
2a √ 2a , obteniendo raı́z cuadrada
7 −b± b2 −4ac b
x= 2a , sumando − 2a a ambos lados.
7 queda demostrado.
Luego, por ,
Observe que la anterior prueba está dividida en tres columnas y varias lı́neas
que corresponden cada una a un paso de la prueba. La primera columna indica
el número de cada paso, la segunda es el paso propiamente dicho, y la tercera
corresponde a la razón de el porque se dio ese paso.
El anterior conjunto de pasos no es la única forma de probar una afirmación;
por lo general, los matemáticos prueban en prosa. El autor prefiere utilizar el
anterior método debido a que facilita el orden y, por su experiencia, considera
que es más fácil de entender para los estudiantes.
Cuando hemos probado una afirmación le llamamos proposición o teorema.
Un corolario es una consecuencia de una proposición o teorema tan evidente
que no necesita demostración.
Existen diferentes técnicas para probar las afirmaciones, las cuales iremos
aprendiendo, pero para prevenir algunos errores frecuentes tenga en cuenta lo
siguiente:
1. Un ejemplo no es una prueba. Es solo una verificación.
2. Nunca asuma hipótesis que no han sido dadas en la afirmación.

Unidad 1
Matrices y sistemas de
ecuaciones lineales
El objetivo de esta unidad es conocer el concepto de matriz, sus operaciones y

propiedades, con la finalidad de representar y resolver algunos problemas prácti-
cos en ingenierı́a, matemáticas y administración, empleando el método de Gauss-
Jordan o la inversa de una matriz. Veamos las definiciones necesarias con sus
respectivos ejemplos.
1.1 Matrices
Definición 1 (Matriz). Una matriz, denotada por una letra mayúscula, es un

arreglo rectangular de elementos; elementos que para nosotros serán números
reales1 (R).
Por ejemplo,
" #
3 1 2
A= ,
−2 4 5
es una matriz de dos filas y tres columnas. La fila uno (f1 ) está constituida por
los elementos 3, 1 y 2, y la fila dos (f2 ) por −2, 4 y 5. La columna uno (c1 ) está
constituida por los elementos 3 y −2, la columna dos (c2 ) está constituida por
los elementos 1 y 4 y la columna tres (c3 ) por los elementos 2 y 5.
1
Lo expresado en este texto también es válido para números complejos
2 Conceptos básicos de Álgebra Lineal, Julio 29 de 2017
En general, una matriz de m filas y n columnas la escribiremos como Am×n

o A ∈ Mm×n , que en forma matricial es
 
a11 a12 ··· a1n
 
 a21 a22
 ··· a2n 

A= . .. ..  ,
 .. . . 
 
am1 am2 · · · amn
donde la fila i es
h i
fi = ai1 ai2 · · · ain para i = 1, . . . , m ;
y la columna j es
 
a1j
 
 a2j 
 
cj =  .  para j = 1, . . . , n .
 .. 
 
amj
Por ejemplo, A2×3 es la matriz A de dos filas y tres columnas y B4×5 es la matriz
B de cuatro filas y cinco columnas. En general, diremos que Am×n es la matriz
A de tamaño m × n.
Nota. La notación i = 1, . . . , m quiere decir que i toma valores desde uno hasta
m enteros.
Al elemento de la i–ésima fila y la j–ésima columna, de la matriz Am×n , lo
denotaremos como aij , por ejemplo, en la matriz A3×2 , donde
 
0 1
 
A= 2 −2 ,

3 4
los elementos son a11 = 0, a12 = 1, a21 = 2, a22 = −2, a31 = 3 y a32 = 4. En
algunas ocasiones nos referiremos a una matriz Am×n como [aij ].
Ejemplo 1 (Notas de clase). Suponga que para el curso de álgebra lineal hay
matriculados siete alumnos al final del semestre: Marı́a, Pedro, Mónica, Luis,
Ana, John, y Camila. Podemos organizar las notas de sus tres parciales P1 , P2 y
P3 , del 25 % cada uno, y seguimiento S, del 25 %, en una matriz B de la forma
P1 P2 P3 S
Matrices y sistemas de ecuaciones lineales 3
 
4,5 3,5 4,0 4,5 Marı́a
 
3,0 3,5 2,0 4,0 Pedro
 
 
5,0 3,0 2,0 1,0 Mónica
 
B =
1,5 3,5 4,0 4,0 Luis
 
3,5 3,0 3,0 5,0 Ana
 
4,0 3,0 2,0 3,0 John
 
5,0 5,0 5,0 5,0 Camila.
Entonces, cada bij indica la nota del alumno i en el parcial j o seguimiento.

Por ejemplo, b32 = 3,0 indica la nota obtenida por Mónica en el parcial 2.
Ejercicio 1. Calcule la nota promedio de cada estudiante. Puede hacerlo ma-

nualmente, con una hoja de cálculo o mediante programación con dos for, uno
dentro del otro.
Ejercicio 2. Construya una matriz N en la que represente las asignaturas que

cursó el semetre anterior versus las diversas notas obtenidas durante el semetre.
Asuma igual cantidad de notas por cada asignatura. Calcule la nota promedio
de cada materia en la forma que lo desee.
Ejemplo 2 (Producción). Para la elaboración de plastilina se requiere dos com-

puestos principalmente: sales de calcio y vaselina. Una empresa produce dos tipos
de plastilina: fina y suave. Para la elaboración de una barra de plastilina fina se
requiere dos gramos de sales de calcio y tres de vaselina; y para la de una suave
se requieren cuatro de sales de calcio y dos de vaselina. Si la ganancia por cada
barra de plastilina fina es de $5 y la de suave es de $8 y, además, la disponibilidad
diaria de sales de calcio es de 50 gramos y de vaselina es de 35 gramos, ¿cuántas
barras de plastilina fina y cuántas de plastilina suave se deben producir para
maximizar la ganancia?
El anterior es un problema de programación lineal en el que se emplean
matrices para resolverlo.
Si x1 es la cantidad de barras de plastilina fina a producir y x2 es la cantidad
de barras de plastilina suave a producir, entonces se debe maximizar la ecuación
z = 5x1 + 8x2 , que es la ganancia, sujeta a:
2x1 + 4x2 6 50
3x1 + 2x2 6 35 .
Las anteriores inecuaciones son representadas matricialmente en la forma

 
.
2 4 .. 50
 ,
.
3 2 .. 35
y se emplea en la solución del problema.
Ejemplo 3 (Gráfica). Si tenemos una gráfica en R2 y deseamos reflejarla al otro
lado de la recta y = −x, tal como se ilustra en la figura 1.1,
10
-10 10
-10
Figura 1.1: triángulo a ser reflejado en y = −x
habrı́a que multiplicar la matriz

" #
0 −1
,
−1 0
por la matriz
" #
8 −4 2
,
2 6 10
que corresponde a los vértices del triángulo mostrado, para obtener
" #
−2 −6 −10
,
−8 4 −2
que corresponde a los vértices del nuevo triángulo. Luego unirı́a los vértices.
Más adelante veremos como es la multiplicación de matrices y usted podrá
verificar dicha operación.
Definición 2 (Matrices iguales). Dos matrices Am×n = [aij ] y Bm×n = [bij ] son
iguales si aij = bij para i = 1, . . . , m y j = 1, . . . , n, es decir, si el elemento a11 es
igual al b11 , si el elemento a12 es igual al elemento b12 , y ası́ sucesivamente para
cada par de elementos.
Ejemplo 4. Diremos que las matrices

   
1 3 −2 1 x + y −2
   
A= 4 8 2  y B =  4
 
,
2x + 3y 2 
4 2 1 2x + y 2 1
son iguales si y solo si x + y = 3, 2x + 3y = 8 y 2x + y = 4.
Ejercicio 3. De acuerdo a sus conocimientos previos de álgebra, en el ejemplo

4 determine los valores de x y y tales que A y B sean iguales.
Ejercicio 4. ¿Son las matrices

   
1 2 −2 1 2
   
A= 4 5 2  y B = 4 5 ,
  
3 2 1 3 2
iguales? Justifique su respuesta.
Respuesta: no son iguales puesto que para comparar si dos matrices son iguales,
estas deben tener igual tamaño. Para el presente caso, el tamaño de A es tres
por tres y el tamaño de B es tres por dos.
Definición 3 (Matriz cuadrada). Una matriz Am×n es cuadrada si m = n, es

decir, si el número de filas es igual al número de columnas.
Ejemplo 5. La matriz A4×4 es cuadrada

 
3 4 0 5
 
7 5 2 −7
A=
 ,

 8 −2 1 0 
−1 3 4 0
pues tiene cuatro filas y cuatro columnas.

En una matriz, An×n = [aij ], los elementos a11 , a22 , . . . , ann conforman la
diagonal principal. En la matriz A4×4 , del ejemplo 5, la diagonal principal está
conformada por los elementos: a11 = 3, a22 = 5, a33 = 1 y a44 = 0.
Ejercicio 5. Construya una matriz A4×4 , una B3×3 , otra C2×2 y, por último,
una D1×1 .
Ejercicio 6. Identifique y escriba los elementos de la diagonal principal de cada

una de las matrices del ejercicio 5.
Definición 4 (Matriz diagonal). Una matriz cuadrada donde los elementos por
fuera de la diagonal principal son ceros es llamada una matriz diagonal, es decir,
dada An×n = [aij ], si aij = 0 para todo (∀) i 6= j, con i, j = 1, . . . , n, entonces
An×n es diagonal.
Ejemplo 6. A, B y C son matrices diagonales

   
" # 3 0 0 7 0 0
5 0    
A= , B= 0 3 0  , C = 0 0 0 .
  
0 −2
0 0 3 0 0 0
Ejercicio 7. ¿Es la matriz

 
0 0 0
 
0 0 0
 
0 0 0
diagonal? Justifique su respuesta verbal y matemáticamente.
Respuesta: sı́ es diagonal porque los elementos por encima y por debajo de la
diagonal principal son todos ceros, es decir, si llamamos O = [oij ] a la matriz,
entonces podemos escibir o21 = o31 = o32 = o12 = o13 = o23 = 0, lo cual implica
que O es una matriz diagonal.
Definición 5 (Matriz escalar). Una matriz escalar es una matriz diagonal donde
los elementos de la diagonal principal son iguales, es decir, An×n = [aij ] es escalar
si:
1. aij = 0 ∀ i 6= j.
2. aij = c ∀ i = j, c ∈ R.
Ejemplo 7. Las matrices A, B y C dadas a continuación son escalares.

   
" # 4 0 0 1 0 0
−3 0    
A= , B = 0 4
 0 y C = 0 1 0 .
 
0 −3
0 0 4 0 0 1
Ejercicio 8. Construya una matriz escalar A2×2 , otra B3×3 y una C4×4 .
 
0 0 0
 
0 0 0
 
0 0 0
escalar? Justifique su respuesta verbal y matemáticamente.

Definición 6 (Matriz identidad). Una matriz escalar donde los elementos de la
diagonal principal son todos unos es llamada matriz identidad, es decir, An×n =
[aij ] es identidad si:
1. aij = 0 ∀ i 6= j.
2. aij = 1 ∀ i = j.
Emplearemos la notación In para representar a la matriz identidad de tamaño

n × n.
Ejemplo 8. Son matrices identidad
 
 1 0 0 0
" # 1 0 0  
1 0 
 , I4 =  0
  1 0 0
I2 = , I3 =  0 1 0 0
.
0 1  
 0 1 0
0 0 1
0 0 0 1
Ejercicio 10. Construya I5 e I6 .

Ejercicio 11. ¿Toda matriz con unos en la diagonal principal y ceros por fuera
de ella es una matriz identidad? Justifique su respuesta.
Gran parte de los datos que se manejan hoy dı́a están representados en sis-
temas de almacenamiento en binario, es decir, codificados en términos de ceros
y unos llamados bits.
Definición 7 (Matriz binaria). Una matriz binaria es aquella donde todas sus
entradas son bits, es decir, Am×n = [aij ] es binaria si aij = 0 ó aij = 1 ∀ i, j
Ejemplo 9. Son matrices binarias
   
" # 1 0 1 1 0 1 0
1 0    
A= , B=  0 1 0 , C = 0 0 0 1 .
  
0 1
1 0 1 0 1 1 0
Ejercicio 12. Construya tres matrices binarias.

Ejemplo 10 (Grafo). Suponga que tenemos un sistema de comunicación com-
puesto por seis nodos como el que se muestra en la figura 1.2. Las flechas indican
el sentido de comunicación, por ejemplo: e1 envı́a mensajes a e2 y viceversa; e1
también puede enviar mensajes a e6 , pero e6 no puede enviar a e1 .
e6
e2
e1
e5 e4
e3
Figura 1.2: grafo dirigido de un sistema de comunicación
La representación matricial de este grafo es
e1 e2 e3 e4 e5 e6
 
e1 0 1 0 0 0 1
 
e2 1 0 0 0 0 0
 
e3 
0 0 0 0 1 0 
D=  ,
0
e4  0 0 0 1 1 
 
e5 1 0 0 1 0 0
e6 0 1 0 1 0 0
donde cada dij indica que el emisor i puede enviar mensajes al receptor j sola-
mente si dij = 1, por ejemplo: como d21 = 1, entonces e2 puede enviar mensajes
a e1 .
Definición 8 (Suma de matrices). Dadas las matrices Am×n = [aij ] y Bm×n =
[bij ] definimos su suma como A + B = C = [cij ] donde cada cij = aij + bij para
i = 1, . . . , m y j = 1, . . . , n.
Ejemplo 11. Dadas las matrices
   
4 2 −2 −4 2 0
   
A= 1 5  y B =  4 −5 0 ,
2  
3 −2 1 3 2 5
su suma es
   
4 2 −2 −4 2 0
   
A+B =
 1 5 2  +  4 −5 0
  
3 −2 1 3 2 5
 
4 + (−4) 2+2 (−2) + 0
 
=
 1 + 4 5 + (−5) 2 + 0 

3+3 (−2) + 2 1+5
 
0 4 −2
 
=
 5 0 2 .

6 0 6
Ejercicio 13. Determinar A + B, si

   
5 2 −2 3 −1 2 −7 3
   
A=  3 −5 12 −1  y B = 4
 5 −2 2 .

11 2 0 5 2 −5 3 −4
Ejercicio 14. Las matrices

 
" # −1 2
5 2 −2  
A= yB=
 4 5

4 −5 2
25 4
no pueden ser sumadas. ¿Por qué?

La suma binaria la realizaremos de la siguiente forma: 0 + 0 = 0, 0 + 1 = 1,

1 + 0 = 1 y 1 + 1 = 0.

" # " #
1 0 1 0 1 1
A= yB= ,
0 1 1 1 0 1
su suma es
" # " #
1 0 1 0 1 1
A+B = +
0 1 1 1 0 1
" #
1+0 0+1 1+1
=
0+1 1+0 1+1
" #
1 1 0
= .
1 1 0
Teorema 1 (Suma de matrices diagonales). La suma de dos matrices diagonales

es una matriz diagonal.
Nota. Para probar un teorema debemos identificar claramente la(s) hipótesis y

la tesis. En este caso la hipótesis consiste en dos matrices diagonales de igual
dimensión y la tesis, es decir, lo que hay que probar, es que su suma es una
matriz diagonal.
Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ],
matrices diagonales hipótesis
Para i, j = 1, . . . , n se tiene
2
aij = 0 para i 6= j, 1
definición de matriz diagonal en
3
bij = 0 para i 6= j, 1
definición de matriz diagonal en
4
Sea A + B = C = [cij ], construcción
5
cij = aij + bij , 4
definición de suma de matrices en
6
cij = 0 para i 6= j, 2 y
por 3 en .
5
6 C es diagonal por definición de matriz diagonal.
Luego, por ,
Ejercicio 15. Para verificar el teorema 1, invente dos matrices diagonales y

súmelas.
Ejercicio 16. Probar que la suma de dos matrices escalares es una matriz
escalar.
Ejercicio 17. Para verificar las pruebas realizadas en el ejercicio 16, invente dos
matrices escalares de tamaño seis por seis y súmelas.
Nota. Si se le dificulta realizar el ejercicio 16, primero realice al menos tres veces
el ejercicio 17. Tenga en cuenta la diferencia entre verificar y probar un teorema.
Definición 9 (Multiplicación de un escalar por una matriz). Dados c ∈ R, un

escalar, y Am×n = [aij ], definimos la multiplicación de un escalar por una matriz
como cA = B = [bij ] donde cada
bij = caij ,
es decir, para multiplicar un escalar por una matriz, simplemente multiplicamos

el escalar por cada entrada de la matriz.
Ejemplo 13. Sean c = −3 y

 
2 3
 
A =  4 1

,
−2 0
entonces
 
3 2
 
cA = (−3) 
 4 1

−2 0
 
−3 × 2 −3 × 3
 
= −3 × 4 −3 × 1

−3 × (−2) −3 × 0
 
−6 −9
 
=−12 −3.

6 0
Ejercicio 18. Si c = 5 y
" #
−3 2 6 −1
B= ,
2 5 −2 −4
entonces
cB =?
Ejercicio 19. Si c = −1, d = 4,

" # " #
−2 5 −1 0 −1 4
A= yB= ,
2 −3 4 2 3 1
entonces
" #
2 −9 17
cA + dB = .
6 15 0
Verifı́quelo.
Definición 10 (Diferencia de matrices). Dadas las matrices Am×n = [aij ] y
Bm×n = [bij ] definimos su diferencia (también llamada resta) como A + (−1)B =
A − B = C = [cij ] donde cada cij = aij − bij para i = 1, . . . , m y j = 1, . . . , n.
   
−1 2 0 −3 2 2
   
A=  4 5 2 y B =  4 −5 0  ,
  
−3 2 4 −1 2 −3
su diferencia es
   
−1 2 0 −3 2 2
   
A−B =
 4 5 2 −  4 −5 0 
  
−3 2 4 −1 2 −3
 
−1 − (−3) 2−2 0−2
 
=
 4 − 4 5 − (−5) 2 − 0 

−3 − (−1) 2−2 4 − (−3)
 
2 0 −2
 
=
0 10 2.
−2 0 7
Ejercicio 20.
1. Probar que la resta de dos matrices diagonales es una matriz diagonal.

2. Probar que la resta de dos matrices escalares es una matriz escalar.
Ejercicio 21. Para verificar las pruebas realizadas en el ejercicio 20, invente
dos matrices diagonales de tamaño seis por seis y réstelas. También invente dos
matrices escalares de tamaño seis por seis y réstelas.
Si se le dificulta realizar el ejercicio 20, primero realice al menos tres veces el

ejercicio 21.
Definición 11 (Transpuesta de una matriz). Dada la matriz Am×n = [aij ],
entonces su transpuesta es AT = [aji ] donde cada aTij = aji para i = 1, . . . , m y
j = 1, . . . , n, es decir, la transpuesta de una matriz es aquella que se obtiene al
convertir las filas en columnas.
Ejemplo 15. Sea
" #
1 0 3 7
A= ,
2 4 −2 5
entonces
 
1 2
 
T
0 4 
3 −2 .
A = 
 
7 5
Ejercicio 22. Si
 
−3 4
 
4 3
B=
 ,

 0 −2
4 7
determine su transpuesta.
Ejercicio 23. Construya cinco matrices de diferentes tamaños y determine la

transpuesta de cada una.
Ejemplo 16 (Resta de matrices

 y multiplicación por un escalar). Dados
" # −5 2
3 −2 1  
A= , B =  0 1

 , c = −1 y d = 3; encontrar c dA − B T .
2 0 5
1 4
Solución.
" # " #!
T
3 −2 1 −5 0 1
c dA − B = −1 3 −
2 0 5 2 1 4
" # " #!
3 × 3 3 × (−2) 3 × 1 −5 0 1
= −1 −
3×2 3×0 3×5 2 1 4
" # " #!
9 −6 3 −5 0 1
= −1 −
6 0 15 2 1 4
" #!
9 − (−5) −6 − 0 3 − 1
= −1
6−2 0 − 1 15 − 4
" #
14 −6 2
= −1
4 −1 11
" #
(−1) × 14 (−1) × (−6) (−1) × 2
=
(−1) × 4 (−1) × (−1) (−1) × 11
" #
−14 6 −2
= .
−4 1 −11
Ejercicio 24. Dados  

" # 5 2
4 2 1  
A= ,B=−2 0 
, c = 2 y d = −3; encontrar c dA + B T .
4 5 −8
1 −3
Definición 12 (Matriz simétrica). Una matriz A es simétrica si es igual a su

transpuesta, es decir, si AT = A.
Ejemplo 17. La matriz

 
−3 5 −1 −4
 
 5 −8 4 7 
B=
−1 4

 0 −1

−4 7 −1 6
es simétrica, pues B T es igual a B. Se puede observar que cada bij es igual a bji .

 
2 −11
 
A=
 2 3 4 

−1 4 0
simétrica? Justifique su respuesta.
Ejercicio 26. Construya tres matrices simétricas.
Ejercicio 27. Para que una matriz sea simétrica, ¿cuál o cuáles de las defini-
ciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Definición 13 (Matriz antisimétrica). Una matriz A es antisimétrica si

AT = −A.
Ejemplo 18. La matriz

 
0 −1 −3
 
A=
1 0 −4

3 4 0
es antisimétrica, pues AT = −A. Verifı́quelo.
Ejercicio 28. Construya tres matrices antisimétricas.
Ejercicio 29. Para que una matriz sea antisimétrica, ¿cuál o cuáles de las defi-
niciones vistas hasta el momento debe cumplir? Justifique su respuesta.
Definición 14 (Triangular superior). Una matriz An×n = [aij ] es triangular

superior (△S) si aij = 0 ∀ i > j, es decir, si todos los elementos por debajo de
la diagonal principal son ceros.
Ejemplo 19. Las matrices A, B y C son △S:

 
  c11 c12 · · · · · · c1n
  −3 2 1 4  
1 3 0   0
 c22 · · · · · · c2n 

  0 0 0 0
A= , C = 
0 0 c33 · · · c3n 
0 2 −2 , B =  0 .
 
 0 2 7  .
 . .. .. . . .. 
0 0 −5  . . . . 
. 
0 0 0 5
0 0 ··· 0 cnn
Ejercicio 30. Construya tres matrices que sean △S.

 
0 0 0
 
O=
 0 0 0.

0 0 0
△S? Justifique su respuesta verbal y matemáticamente.

Teorema 2 (Suma de matrices triangulares superiores). La suma de dos matri-
ces △S es una matriz △S.
Prueba.
1
Sean An×n = [aij ] y Bn×n = [bij ] △S, hipótesis
2
aij = 0 para i > j, 1
definición de △S en
3
bij = 0 para i > j, 1
definición de △S en
4
Sea A + B = C = [cij ], construcción
5
cij = aij + bij , por definición de suma de matrices
6
cij = 0 para i > j, 2 y
por 3 en .
5
6 C es △S por definición de matriz △S.
Luego, por ,
Ejercicio 32. Para verificar el teorema 2, invente dos matrices △S y súmelas.

Ejercicio 33. Probar que la resta de dos matrices △S es una matriz △S.
Definición 15 (Triangular inferior). Una matriz An×n = [aij ] es triangular
inferior (△I) si aij = 0 ∀ i < j, es decir, si todos los elementos por encima de la
diagonal principal son ceros.
Ejemplo 20. Las matrices A, B y C son △I

 
  c11 0 · · · · · · 0
  4 0 0 0 
 c12 c22 · · · · · · 0 

5 0 0    
 , B = 0 3 0 0
 , C =  ... .. . . .. 
   
A=−2 2 0 0 . . .
. 
 
 0 2 0


 . . . 
3 7 4  .. .. .. 0 
0 0 0 1  
cn1 cn2 · · · · · · cnn
Observe que B también es △S.
Ejercicio 34. Construya tres matrices que sean △I.

 
0 0 0
 
O=
0 0 0 

0 0 0
△I? Justifique su respuesta verbal y matemáticamente.
Ejercicio 36. ¿Es

 
0 0 ··· ··· 0
 
0 0 · · · · · · 0
 
. . . .. 
On×n = . . ..
. . .
. . .. 
 .. .. . 0
 
0 0 ··· ··· 0
△I, es △S? Justifique sus respuestas verbal y matemáticamente.
Ejercicio 37.
1. Probar que la suma de dos matrices △I es una matriz △I.
2. Probar que la resta de dos matrices △I es una matriz △I.
Ejercicio 38. Para verificar las pruebas realizadas en el ejercicio 37, invente dos
matrices △S de tamaño cinco por cinco. Súmelas y luego réstelas.
Si se le dificulta realizar el ejercicio 37, primero realice al menos tres veces el

ejercicio 38.
Teorema 3 (Matriz diagonal). Si una matriz es al mismo tiempo △S y △I,

entonces es una matriz diagonal.
Prueba.
1
Sea An×n = [aij ] △S y △I, hipótesis
2
aij = 0 para i > j, por A ser △S
3
aij = 0 para i < j, por A ser △I
4
aij = 0 para i 6= j, 2 y .
por 3
4 y definición de matriz diagonal, A es diagonal.
Luego, por
Ejercicio 39. Invente dos matrices que sean △S y △I al mismo tiempo. Súmelas.
El resultado debe ser una matriz diagonal de acuerdo al teorema 3.
Ejercicio 40. De los ejercicios propuestos en esta sección, entregue en forma

escrita, a su docente, aquellos que él le indique.
1.2 Multiplicación de matrices
La multiplicación de matrices es una operación efectuada entre dos matrices de

acuerdo a reglas que aprenderemos en la presente sección. Viene dada por un
algoritmo de fácil implementación en un computador. Es muy útil para la so-
lución de sistemas de ecuaciones de muchas variables. Tiene aplicaciones en la
industria, los negocios, cálculo numérico, al igual que poderosas aplicaciones co-
mo diversos programas matemáticos. Actualmente se utiliza mucho en el cálculo
de microarrays y en el área de la bioinformática.
Definición 16 (Vector). Por ahora, definiremos vector como una matriz de n
filas y una columna. Denotaremos a los vectores con letras minúsculas con una
flecha encima, por ejemplo, ~u = [ui ], con i = 1, . . . , n.
Ejemplo 21. Son vectores
 
5  
  1
" #
3 7
 
~u =   , ~v =
  , w
~ = −3

.
−1 4
−7
0
Ejercicio 41. Escriba 10 vectores de diferentes tamaños.
Definición 17 (Producto escalar). Dados dos vectores
   
u1 v1
   
 u2   v2 
   
~u =  .  y ~v =  .  ,
 ..   .. 
   
un vn
P
definimos su producto escalar como ~u · ~v = u1 v1 + u2 v2 + · · · + un vn = ni=1 ui vi ,
es decir, para encontrar el producto escalar entre dos vectores, estos deben ser de
igual tamaño y el resultado es un escalar que se obtiene al sumar los resultados
de las multiplicaciones efectuadas componente a componente.
Ejemplo 22. Sean los vectores
   
4 1
   
−3 0
~u = 
−1
 y ~v = 
−2 ,

   
7 1
entonces su producto escalar es ~u ·~v = 4× 1+ (−3)× 0+ (−1)× (−2)+ 7 × 1 = 13.

Ejercicio 42. Encontrar el producto escalar de
   
2 4
   
5 −2
−1 y ~v = −2 .
~u =    
   
3 3
Respuesta: 9.
Ejercicio 43. Construya tres pares de vectores y encuentre el producto escalar
de cada par.
Teorema 4 (Algunas propiedades del producto escalar). Dados ~a, ~b y ~c, n-
vectores, y k un escalar, entonces:
1. ~a · ~b = ~b · ~a (conmutatividad).
2. (~a + ~b) · ~c = ~a · ~c + ~b · ~c (distributividad).
3. (k~a) · ~b = ~a · (k~b) = k(~a · ~b) (asociatividad).
4. ~a · ~a > 0 (positividad).
5. ~a · ~a = 0 si y solo si ~a = ~0.
6. ~a · ~0 = 0.
Prueba de 1.
1
Sean ~a = [ai ] y ~b = [bi ] n-vectores, hipótesis
2
~a · ~b = a1 b1 + a2 b2 + · · · + an bn , definición de producto escalar
3
= b1 a1 + b2 a2 + · · · + bn an , conmutatividad en R
4
= ~b · ~a, definición de producto escalar.
Luego ~a · ~b = ~b · ~a por
2 a .
4
Ejemplo 23. Dados los vectores

   
4 1
   
−3 −1
~
~a =   y b = 
−2 ,
  
1  
0 1
entonces
~a · ~b = 4 × 1 + (−3) × (−1) + 1 × (−2) + 0 × 1 = 5 y

~b · ~a = 1 × 4 + (−1) × (−3) + (−2) × 1 + 1 × 0 = 5 ,
por lo tanto se verifica que ~a · ~b = ~b · ~a.
Ejercicio 44. Para cada par de vectores de los que inventó en el ejercicio 43,
verifique la parte 1 del teorema 4.
Prueba de 2.
1
Sean ~a = [ai ], ~b = [bi ] y ~c = [ci ] n-vectores, hipótesis
2
(~a + ~b) · ~c = (a1 + b1 )c1 + (a2 + b2 )c2 + · · · + por suma de vectores
(an + bn )cn , y producto escalar
3
= a1 c1 + b1 c1 + a2 c2 + b2 c2 + · · · +
an cn + bn cn , distributividad en R
4
= (a1 c1 + a2 c2 + · · · + an cn )+
(b1 c1 + b2 c2 + · · · + bn cn ), conmutatividad en R
5
= ~a · ~c + ~b · ~c, producto escalar.
Luego (~a + ~b) · ~c = ~a · ~c + ~b · ~c por
2 a .
5
Ejemplo 24. Dados los vectores

    

4 1 −1
     
−3
~b = −1 y ~c =  2  ,
   
~a = 
 1 ,

−2 3
     
0 1 −1
entonces
     
4 −11
     
−3 −1  2 
~
(~a + b) · ~c = 
 1  + −2 ·  3 
     
     
0 1 −1
 
 
5 −1
   
−4  2 
−1 ·  3 
=   
   
1 −1
= (−5) × 1 + (−4) × 2 + (−1) × 3 + 1 × (−1) = −17
y
       
4 −1 1 −1
       
−3  2  −1  2 
~a · ~c + ~b · ~c = 
 1  ·  3  + −2 ·  3 
      
       
0 −1 1 −1
= [4 × (−1) + (−3) × 2 + 1 × 3 + 0 × (−1)]+
[1 × (−1) + (−1) × 2 + (−2) × 3 + 1 × (−1)]
= (−7) + (−10) = −17 .
Por lo tanto se verifica que (~a + ~b) · ~c = ~a · ~c + ~b · ~c.
Ejercicio 45. Dados los vectores

     
1 3 −3
     
−2
 ~ 0
  2
 2  , b = −2 y ~c =  1  ,
~a =   
     
3 1 0
realizar primero (~a + ~b) · ~c y luego ~a · ~c + ~b · ~c.
Ejercicio 46. Elaborar la prueba de la parte 3 e inventar un ejercicio que veri-

fique este numeral.
Ejercicio 47. Elaborar las pruebas de las partes 4,5 y 6 e inventar un ejercicio
que verifique cada numeral.
Definición 18 (Multiplicación de matrices). Sean Am×p = [aik ] y Bp×n = [bkj ],

Ppproducto es AB = Cm×n = [cij ] donde cada cij = ai1 b1j +ai2 b2j +· · ·+aip bpj =
su
k=1 aik bkj , es decir, cada cij es la multiplicación escalar entre la fila i de la
primera matriz y la columna j de la segunda matriz.
Para multiplicar dos matrices lo que primero se debe verificar es que el número
de columnas de la primera matriz debe ser igual al número de filas de la segunda
matriz; si son iguales, entonces, para hallar la matriz C resultante, cuyo tamaño
es el número de filas de la primera matriz por el número de columnas de la
segunda matriz, procedemos de la siguiente forma:
1. El elemento c11 es igual al producto escalar entre la fila 1 de la primera

matriz y la columna 1 de la segunda matriz.


4. Y ası́ sucesivamente hallamos la primera fila de C.

Ahora:



8. Y ası́ sucesivamente hallamos la segunda fila de C.
9. En forma similar a como hallamos las primeras dos filas, determinamos las
siguientes filas.
Ejemplo 25. Dadas  
" # 1 2
1 −3 5  
A2×3 = y B3×2 = 
0 3 ,

2 2 −1
1 4
encontrar AB.
Solución. Primero verificamos que la multiplicación se pueda realizar, es decir,
que el número de columnas de la primera matriz, A, sea igual al número de filas
de la segunda matriz, B: para este caso es tres, luego, sı́ se puede realizar el
producto.
La matriz resultante tendrá tamaño: número de filas de la primera matriz

por número de columnas de la segunda matriz; para este caso es 2 × 2. Luego,
 
" # 1 2
1 −3 5  
AB = 0 3
 
2 2 −1
1 4
" #
1 × 1 + (−3) × 0 + 5 × 1 1 × 2 + (−3) × 3 + 5 × 4
=
2 × 1 + 2 × 0 + (−1) × 1 2 × 2 + 2 × 3 + (−1) × 4
" #
6 13
= .
1 6
Ahora realicemos BA:
 
1 2 " #
  1 −3 5
BA = 0 3 2 2 −1

1 4
 
1 × 1 + 2 × 2 1 × (−3) + 2 × 2 1 × 5 + 2 × (−1)
 
= 0 × 1 + 3 × 2 0 × (−3) + 3 × 2 0 × 5 + 3 × (−1) 

1 × 1 + 4 × 2 1 × (−3) + 4 × 2 1 × 5 + 4 × (−1)
 
5 1 3
 
=
 6 6 −3 .

9 5 1
Se observa claramente que la multiplicación de matrices no es conmutativa.

Ejercicio 48. Dadas
   
0 −3 1 −1 2
   
A=
3 4 −2
 y B =  0 3 ,
 
2 0 5 1 4
encontrar AB.
 
1 −5
 
Respuesta: 
−5 .
10 
3 24
Ejemplo 26. A cualquier matriz Am×n al multiplicarla por la correspondiente

matriz identidad se obtiene nuevamente A, es decir, Im Am×n = Am×n In = A.
Por ejemplo: sea
 
5 1
 
A=  1 0 ,

−5 7
entonces
      
1 0 0 5 1 5 1 " # 5 1
0 1 0  1 0 =  1 0 1 0 =  1 0 .
      
     0 1  
0 0 1 −5 7 −5 7 −5 7
Ejemplo 27 (Suma y multiplicación de matrices). Dadas

     
5 0 1 1 0 3 3 1
     
A= −3 4 −3 , B = 4 −4 1 y C = 1 2 ,
    
−1 2 −2 1 −3 2 0 4
encontrar (A + B)C.
Solución.
    
5 0 1 1 0 3 3 1
     
(A + B)C = 
−3
 4 −3  + 4 −4 1 1 2
   
−1 2 −2 1 −3 2 0 4
  
6 0 4 3 1
  
=1 0 −2 1 2
 
0 −1 0 0 4
 
6×3+0×1+4×0 6×1+0×2+4×4
 
=1 × 3 + 0 × 1 + (−2) × 0 1 × 1 + 0 × 2 + (−2) × 4

0 × 3 + (−1) × 1 + 0 × 0 0 × 1 + (−1) × 2 + 0 × 4
 
18 22
 
= 3 −7 .

−1 −2
Ejercicio 49. Dadas

     
1 −2 5 2 6 −4 2 −1
     
A= 3 4 2 , B = 4 2
  1 yC= 3
 0,
1 3 3 5 −3 0 −4 1
encontrar (A + B)C.
Respuesta:
 
14 −2
 
20 −4 .
 
0 −3
Ejemplo 28. La microempresa de manillas Macaos, entre otros, fabrica dos

tipos de manillas: la manilla sencilla (ms) y la manilla especial (me). Para cada
ms emplea 20 centı́metros de hilo (h), un dije (d) y 5 minutos de mano de obra
(o); para cada me emplea 30 centı́metros de hilo, 2 dijes y 10 minutos de mano
de obra.
Ambos productos son elaborados en dos lugares diferentes: la ciudad (c) y el
pueblo (p). El costo de cada centı́metro de hilo en la ciudad es de $10, cada dije
$200 y la mano de obra tiene un costo de $50 el minuto. Los costos respectivos
en el pueblo son: $15, $250 y $40.
La gerente de Macaos desea saber los costos de cada manilla en cada lugar
de producción.
Solución. Si representemos, mediante una matriz las componentes de cada ma-
nilla:
h d o
" #
ms 20 1 5
A=
me 30 2 10
y mediante otra matriz los costos de cada componente por sucursal
c p
 
h 10 15
 
B = d
 200 250 ,

o 50 40
entonces,
c p
" #
ms 650 750
AB = .
me 1200 1350
Lo anterior significa que el valor de producción de una manilla sencilla en la

ciudad es de $650, mientras que en el pueblo es de $750. Y que el valor de
producción de una manilla especial en la ciudad es de $1200, y en el pueblo es
de $1350.
Ejemplo 29 (Contacto con una enfermedad contagiosa). Suponga que tres in-
dividuos han contraı́do una enfermedad. Este grupo entra en contacto con cinco
personas de un segundo grupo y algunos de primer grupo contagian a algunos
del segundo grupo. Estos contagios, llamados contagios directos, se representan
en la matriz A3×5
 
0 1 1 0 1
 
A=  0 0 0 0 1,

1 1 0 0 1
donde aij = 1 si la i-ésima persona del primer grupo contagia a la j-ésima persona
del segundo grupo. Por ejemplo, a1,2 = 1 significa que la primera persona del
primer grupo contagió a la segunda persona del segundo grupo.
Ahora suponga que un tercer grupo de cuatro personas tiene varios contactos
directos con individuos del segundo grupo y algunos son infectados. Esto es
representado mediante la matriz
 
0 1 1 0
 
1 0 1 0
 
 
B = 0 1 1 0 ,
 
0 0 0 0
 
1 0 0 1
donde bij = 1 significa que la i-ésima persona del segundo grupo infectó a la
j-ésima persona del tercer grupo. Por ejemplo, b5,1 = 1 significa que la quinta
persona del segundo grupo (infectada) entró en contacto con la primera persona
del tercer grupo y la infectó.
Los contagios indirectos o de segundo orden entre individuos del primero y

tercer grupos se representan mediante la matriz C = (AB)3×4 . Para ver esto,
observe que una persona del grupo 3 puede quedar contagiada por alguien del
grupo 2, quien a su vez fue contagiada por alguien del grupo 1. Por ejemplo,
como a12 = 1 y b23 = 1, entonces la tercera persona del grupo 3 obtuvo contagio
(a través de la segunda persona del grupo 2) con la primera persona del grupo
1. El número total de contagios indirectos entre la primera persona del grupo 1
y la tercera persona del grupo 3 está dado por
c13 = a11 b13 + a12 b23 + a13 b33 + a14 b43 + a15 b53
= 0×1+1×1+1×1+0×0+1×0
= 2.
Ahora, la matriz de contagios indirectos es

 
2 1 2 1
 
C = AB = 1 0 0 1 −

2 1 2 1
Observe que todas las persona del grupo 3 tienen contagios indirectos con la
enfermedad. La tercera persona de este grupo tiene 4 contagios indirectos.
Ejercicio 50 (Transmisión de datos). En las comunicaciones actuales la trans-

misión de datos se realiza mediante el envı́o de grupos de bits, unos y ceros,
llamados palabras. A veces, durante las transmisiones ocurren errores, por ejem-
plo, el emisor envı́a la palabra 0100, pero se recibe 0101. Para solucionar el
problema existen códigos correctores, por ejemplo, para enviar 0100 se envı́a
0100101. Suponga que el receptor recibe 0101101, entonces, de alguna forma, él
sabe que hay un error, pues esta última palabra no hace parte de su acervo. El re-
ceptor, mediante algún algoritmo, determina que la palabra correcta es 0100101
y, entonces, toma los primeros cuatro bits 0100.
Suponga que se desea transmitir palabras de cuatro bits, es decir, las siguien-
tes:
0000 0001 0010 0011 0100 0101 0110 0111

1000 1001 1010 1011 1100 1101 1110 1111 .
Encontrar las palabras correspondientes de siete bits que deben ser transmi-
tidas para que el receptor determine si la palabra recibida es correcta o no. Para
ello realice la multiplicación de matrices

 
1 0 0 0 0 1 0
 
0 1 0 0 1 0 1
[x1 x2 x3 x4 ] 
0 0
,
 1 0 1 1 0
0 0 0 1 1 1 1
donde [x1 x2 x3 x4 ] es la palabra de cuatro bits a ser transmitida.

Nota. Sume en binario módulo dos, es decir, 0 + 0 = 0, 0 + 1 = 1, 1 + 0 = 1,
1 + 1 = 0.
1.3 Propiedades de las operaciones con matrices
Teorema 5 (De la suma). Sean A, B, C matrices de tamaño m × n, entonces
1. A + B = B + A (conmutatividad).
2. A + (B + C) = (A + B) + C (asociatividad).
3. Existe una única matriz Om×n tal que A + O = O + A = A (matriz nula).
4. Para toda matriz Am×n existe una única matriz Dm×n tal que A + D = O.
Tal matriz la escribiremos como −A y la llamaremos la inversa aditiva de
A. Entonces A + (−A) = O.
Probaremos la asociatividad.
Prueba.
1
A = [aij ], B = [bij ], C = [cij ] ∈ Mm×n , hipótesis
2
A + (B + C) = D = [dij ] ∈ Mm×n , construcción
Ahora, para i = 1, . . . , m y j = 1, . . . , n
3
dij = aij + (bij + cij ) def. de suma de matrices
4
= (aij + bij ) + cij asociatividad en R
5
D = (A + B) + C, 3 y .
de 4
2 a .
Luego, A + (B + C) = (A + B) + C por 5
Ejercicio 52. Pruebe que A + B = B + A.
Ejercicio 53. Realice dos ejemplos de cada una de las propiedades del teorema
5. Recuerde que los ejemplos sirven para verificar, mas no para probar.
Teorema 6 (De la multiplicación). Sean las matrices A, B y C de los tamaños

apropiados. Entonces:
1. A(BC) = (AB)C (asociatividad).
2. A(B + C) = AB + AC (distributividad a la izquierda).
3. (A + B)C = AC + BC (distributividad a la derecha).
Probaremos A(B + C) = AB + AC.
Prueba.
1
Sea A = [aij ] ∈ Mm×p , hipótesis
2
B = [bij ] y C = [cij ] ∈ Mp×n , hipótesis
3
A(B + C) = D = [dij ] ∈ Mm×n , suma y multiplicación de matrices
Ahora, para i = 1, . . . , m y j = 1, . . . , n
p
P
4
dij = aik (bkj + ckj ) definición de suma y
k=1
Pp multiplicación de matrices
5
= (aik bkj + aik ckj ), distributividad en R
k=1
Pp p
P
6
= aik bkj + aik ckj , propiedad de sumatoria
k=1 k=1
7
D = AB + AC, definición de multiplicación de matrices.
3 y .
Luego A(B + C) = AB + AC, por 7
Ejercicio 54 (Distributividad). Probar que (A + B)C = AC + BC.
Teorema 7 (De la multiplicación por un escalar). Sean r, s escalares y A y B

matrices de los tamaños adecuados, entonces:
1. (rs)A = r(sA).
2. (r + s)A = rA + sA.
3. r(A + B) = rA + rB.
4. r(AB) = (rA)B = A(rB).
Probaremos r(A + B) = rA + rB.
Prueba.
1
A = [aij ], B = [bij ] ∈ Mm×n , hipótesis
2
r es un escalar, hipótesis
3
r(A + B) = C = [cij ] ∈ Mm×n , suma de matrices y
multiplicación por un escalar
Ahora, para i = 1, . . . , m y j = 1, . . . , n
4
cij = r(aij + bij ), definición de suma de matrices
y multiplicación por un escalar
5
= raij + rbij , distributividad en R
6
C = rA + rB, 4 y .
por 5
3 = .
Luego, r(A + B) = rA + rB por 6
Ejercicio 56 (Distributividad de la suma de dos escalares por una matriz).

Probar que (r + s)A = rA + sA.
Ejercicio 58. Si usted tuviese que realizar un algoritmo en el que hay involu-
crada una matriz de 100 millones de entradas y se viese enfrentad@ a realizar
la operación r(sA), ¿realizarı́a esta operación? O aplicarı́a la primera propiedad
del teorema 7, r(sA) = (rs)A, para ejecutar (rs)A. Puede justificar su respuesta
sin usar términos matemáticos.
Teorema 8 (De la transpuesta). Sean r un escalar y A y B matrices de los
tamaños apropiados, entonces
T
1. AT = A.
2. (A + B)T = AT + B T .
3. (AB)T = B T AT .
4. (rA)T = rAT .
Ejemplo 30. Dadas

   
4 0 1 0 2 3
   
A=
−3 5 0
 y B = 4 −3 1 ,
 
−1 2 −6 2 −1 5
verificar (A + B)T = AT + B T .
Solución.
Veamos a qué es igual (A + B)T .
   T
4 0 1 0 2 3
   
(A + B)T = 
−3 5 0  + 4 −3 1
   
−1 2 −6 2 −1 5
 T
4 2 4
 
=
1 2 1 

1 1 −1
 
4 1 1
 
= 2 2 1 .

4 1 −1
Ahora veamos a qué es igual AT + B T .

 T  T
4 0 1 0 3 2
T T
   
A +B = −3 5 0  + 4
  −3 1
−1 2 −6 2 −1 5
   
4 −3 −1 0 4 2
   
=0 5  + 2
2  −3 −1
1−6 0 3 1 5
 
4 1 1
 
2 2 1  .
= 
4 1 −1
Como (A + B)T = AT + B T , entonces hemos verificado la segunda parte del

teorema 8.

1.4 Solución de sistemas de ecuaciones lineales
La palabra ecuación proviene del latı́n aequatio que significa igualdad. Una ecua-
ción es una igualdad en la que hay algunas cantidades desconocidas; por ejemplo,
3x + 2y = 5 es una ecuación en la que hay dos incógnitas: la x y la y llamadas
variables. La pregunta es, ¿cuál par de valores satisface la ecuación? Observe que
x = 1 y y = 1 cumplen. ¿Existen otros valores que cumplen esta igualdad? La
respuesta es sı́, de hecho, en este caso, hay infinitos.
Una ecuación lineal es aquella ecuación donde todas las variables están ele-
vadas a la potencia uno. De ecuaciones lineales es sobre lo que hablaremos en
este texto. En general, una ecuación lineal, de n incógnitas, se escribe como
a1 x1 + a2 x2 + · · · + an xn = b, donde los ai son llamados coeficientes, las xi son
las variables y b es el término independiente.
Ahora, un sistema de ecuaciones lineales es un conjunto finito de ecuaciones
lineales y se escribe como
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = bm ,
donde se indica que hay m ecuaciones y n incógnitas. Este sistema de ecuaciones

puede ser escrito matricialmente como
   
a11 x1 + a12 x2 + · · · + a1n xn b1
   
 a21 x1 + a22 x2 + · · · + a2n xn   b2 
   
 .. .. ..  =  . ,
 . . .   .. 
   
am1 x1 + am2 x2 + · · · + amn xn bm
    
a11 a12 ··· a1n x1 b1
    
 a21 a22 · · · a2n   x2   b2 
    
 . . .   =  ,
 .. .. ..   ...   ... 
    
am1 am2 · · · amn xn bm
que en forma abreviada se representa como
A~x = ~b .
La matriz A es llamada matriz de coeficientes. Además, al agregar el vector ~b a

la matriz A obtenemos la matriz aumentada
 
..
a a12 · · · a1n . b1
 11 
 .. 
h
.
i a
21 a22 · · · a2n . b2 
A .. ~b = 
 .. .. .. .. ..  .

 . . . . . 
 
..
am1 am2 · · · amn . bm
Ejemplo 31. El sistema lineal
7x1 + 4x2 − 3x3 = 8

5x1 − 2x2 + x3 = 4
6x1 − 3x2 + 6x3 = 9
puede ser representado matricialmente como

    
7 4 −3 x 8
   1  
5 −2 1  x2  = 4 ,
    
6 −3 6 x3 9
donde su matriz aumentada es

 
..
 7 4 −3 . 8 
 .. 
5 −2 1 . 4 .
 
..
6 −3 6 . 9
Definición 19 (Matriz escalonada reducida). Una matriz Am×n está en forma

escalonada reducida por filas si cumple las siguientes caracterı́sticas:
1. Si existen filas de ceros (filas nulas), estas se encuentran en la parte inferior

de la matriz.
2. En las filas no nulas, el primer número no nulo es un uno. Y, antes de él,

si hay números, son ceros. Este uno es llamado uno principal o pivote.
3. Cuando en una fila hay un uno principal, este se encuentra abajo y a la

derecha de los otros unos principales superiores.
4. Si una fila contiene un uno principal, entonces los demás elementos de la

correspondiente columna son ceros.
Una matriz Am×n que satisface las tres primeras propiedades es llamada escalo-
nada por filas.
Ejemplo 32. Las matrices

     
1 0 0 1 0 −3 1 0 0 0 −6
     
A=  0 1 0  , B = 0 1 0  y C = 0 0 1 0 7 
    
0 0 1 0 0 0 0 0 0 1 0
están en forma escalonada reducida por filas.

Las matrices
     
1 0 −4 1 3 3 1 0 3 −2 4
     
A= 0 1 0  , B = 0 1 0 y C = 0 0 1 0 −1
    
0 0 1 0 0 0 0 0 0 1 0
están en forma escalonada por filas.
Nota. Las definiciones y operaciones que se realicen con las filas también se
pueden realizar con las columnas en forma similar. Para simplificar, solo traba-
jaremos con filas.
Definición 20 (Operaciones elementales fila). Son tres las operaciones elemen-

tales fila permitidas en las matrices:
1. fi ↔ fj : intercambie las filas i y la j.

2. fi ← cfi : a la fila i ası́gnele la fila i multiplicada por c, c 6= 0.
3. fi ← fi + cfj : a la fila i ası́gnele la fila i más c veces la fila j.
Ejemplo 33. Mediante operaciones elementales fila, convierta la matriz aumen-

tada
 
..
2 1 1 . 1
h i 
.. ~  .. 
A.b =  2 −1 1 . −3
..
1 1 −1 . 0
en escalonada reducida.
Solución.
El objetivo es llevar esta matriz a la forma
 
..
1 0 0 . a
. 
0 1 0 .. b  ,

 
..
0 0 1 . c
si es posible, o al menos a escalonada. Entonces, por medio de operaciones ele-

mentales fila, tenemos:
   
. .
1 1 −1 .. 0  1 1 −1 .. 0 
..  f2 ←− f2 − 2f1  .
−3 3 .. −3
 
f1 ←→ f3 2 −1 1 . −3  f3 ←− f3 − 2f1 0

 
.. .
2 1 1 . 1 0 −1 3 .. 1
   
. .
1 1 −1 .. 0 1 0 0 .. −1
1
 . f 1 ←− f 1 − f 2 .
1 −1 .. 1 1 −1 .. 1 
  
f2 ←− − 3 f2 0
f3 ←− f3 + f2 0

  
. ..
0 −1 3 .. 1 0 0 2 . 2
   
. ..
1 0 0 .. −1 1 0 0 . −1
1 .. .
1 0 .. 2 
   
f3 ←− 2 f3 0 1 −1 . 1  f2 ←− f2 + f3 0 .
   
.. .
0 0 1 . 1 0 0 1 .. 1
Nota. siempre determine un uno principal como pivote y realice las operaciones
elementales fila alrededor de él. No hacerlo puede generar errores como
   
.. ..
1 1 1 . 3 1 1 1 . 3 
 ..  f2 ←− f2 − f3  .. 
;
 f3 ←− f3 − f2 0 −1 0 . −1
1 3 1 . 5 

. .
1 4 1 .. 6 0 1 0 .. 1
luego, al sumarle a la fila tres la fila dos (f3 ←− f3 + f2 ), la fila tres queda nula.
Lo que, como veremos más adelante, es un error.
¡Atención! No cometa los siguientes errores:
1. Una fila no puede ser multiplicada por cero.
2. A una fila no le reste la misma fila.
3. A una fila no se le puede sumar un escalar.
4. Si a una fila le suma k veces otra fila, es decir, fi ← fi + kfj , entonces no

realice simultáneamente fj ← fj + kfi .
Ejercicio 61. Dada la matriz aumentada

 
..
3 2 1 . 16
.
2 1 1 .. 11 ,
 
 
..
1 3 2 . 19
del ejemplo 2, llévela a escalonada reducida mediante operaciones elementales

fila.
Respuesta.
 
..
1 0 0 . 2
. 
0 1 0 .. 3 .

 
..
0 0 1 . 4
Definición 21 (Matrices equivalentes). Dos matrices Am×n y Bm×n son equi-

valentes si una se puede obtener de la otra por medio de operaciones elementales
fila.
h . i
En el ejemplo 33, la matriz A .. ~b y las siguientes, obtenidas al ejecutar
operaciones elementales fila, son todas equivalentes entre sı́.
Teorema 9. Toda matriz Am×n es equivalente por filas a una matriz escalonada
por filas.
h . i
En el ejemplo 33, la matriz A .. ~b es equivalente por filas a la penúltima
matriz
 
..
1 0 0. −1
.
1 −1 .. 1 
 
0 ,
 
..
0 0 1 . 1
la cual está en forma escalonada.
Teorema 10. Toda matriz Am×n es equivalente por filas a una única matriz
escalonada reducida por filas.
h . i
En el ejemplo 33, la matriz A .. ~b es equivalente por filas a la última matriz
 
..
1 0 0 . −1
 .. 
0 1 0 . 2  ,
 
..
0 0 1 . 1
la cual está en forma escalonada reducida. Además, gracias al teorema 10, po-
demos asegurar que esta es la única matriz escalonada reducida equivalente por
h . i
filas a la matriz A .. ~b , es decir, no existe otra.
Teorema 11. Dados dos sistemas lineales A~x = ~b y C~x = d,~ cada uno con
h . i h . i
m ecuaciones y n incógnitas. Si las matrices aumentadas A..~b y C ..d~ son
equivalentes por filas, entonces los dos sistemas tienen la misma solución.
h . i
Ejemplo 34. En el ejemplo 33, la matriz aumentada A .. ~b y la última matriz
aumentada, equivalente por filas, representan dos sistemas lineales diferentes que
tienen exactamente la misma solución, es decir,

   
.. ..
 2 1 1 . 1   1 0 0 . −1
 ..   .. 
2 −1 1 . −3 y 0 1 0 . 2 
   
.. ..
1 1 −1 . 0 0 0 1 . 1
representan los sistemas lineales
2x1 + x2 + x3 = 1 x1 + 0x2 + 0x3 = −1

2x1 − x2 + x3 = −3 y 0x1 + x2 + 0x3 = 2
x1 + x2 − x3 = 0 0x1 + 0x2 + x3 = 1 ,
respectivamente; y aunque ambos sistemas lineales son diferentes, tienen la mis-

ma solución por sus matrices aumentadas ser equivalentes entre sı́.
El asunto es que del segundo sistema lineal podemos leer directamente la
solución, la cual es
   
x −1
 1  
  
,
~x = x2  =  2 
x3 1
que, por tanto, es la solución del primer sistema lineal.
Definición 22 (Rango de una matriz). El rango de una matriz A es el número

de filas no nulas de la matriz escalonada reducida por filas, B, que es equivalente
a A.
En el ejemplo 33, el rango de A es tres.

Hemos visto que un sistema lineal podemos representarlo en forma matricial.
Si tomamos la matriz aumentada correspondiente a un sistema lineal y la lleva-
mos a su forma escalonada reducida por filas, entonces, de acuerdo al teorema
11, el nuevo sistema, representado por la matriz escalonada reducida por filas,
tendrá exactamente la misma solución que el sistema original.
Para solucionar sistemas lineales la idea es tomar su matriz aumentada y
llevarla a escalonada reducida. En esta última es posible leer la solución del
sistema directamente. Este método se denomina reducción de Gauss–Jordan. Si
la matriz aumentada solo se lleva a escalonada, entonces el método es denominado
eliminación de Gauss. Veamos varios ejemplos.
Ejemplo 35 (Gauss–Jordan). Determinar los valores de x1 , x2 y x3 que solu-

cionan el sistema
x1 + x2 − x3 = −1
2x1 − x2 + x3 = 1
−x1 + 2x2 + x3 = 4 .
Solución.  
.
1 1 −1 .. −1
.
−1 1 .. 1 
 
La matriz aumentada correspondiente es  2 .
 
.
−1 2 1 .. 4
 
..
1 0 0 . a
. 
1 0 .. b 

El objetivo es llevar esta matriz a la forma 0 , si es posible.
 
.
0 0 1 .. c
Entonces por medio de operaciones elementales fila tenemos
   
.. ..
 1 1 −1 . −1 1 1 −1 . −1
f2 ←− f2 − 2f1  ..   .. 
f2 ←→ f3 0 3
f3 ←− f3 + f1 0 −3 3 . 3  0 . 3
 
 
.. ..
0 3 0 . 3 0 −3 3 . 3
   
.. ..
1 1 −1 . −1 1 0 0 . 0
f2 ←− 31 f2 
..

 f1 ←− f1 + f3 

.
0 1 0 ..
 
1 0 1 0 . 1  1 .
f3 ←− 3 f3  f
 3 ←− f 3 + f 2 
. .
0 −1 1 .. 1 0 0 1 .. 2
Luego, la solución del sistema es

   
x 0
 1  
~x = x2  = 1
  
.
x3 2
Para verificar el resultado se reemplazan los valores de x1 , x2 y x3 en las

ecuaciones originales.
Note que el rango de la matriz aumentada es tres y que el rango de la matriz
de coeficientes también es tres.
Ejercicio 62. Determinar los valores de x1 , x2 y x3 que solucionan el sistema
x1 − x2 + x3 = 2
2x1 − 3x2 + x3 = −1
2x2 + x3 = 7 .
Respuesta.  
 
x1 1
   
~x = 
x2  = 2 .
  
x3 3
2x1 + x2 − 2x3 = −2
x1 − x2 − x3 = −4
3x1 − x3 = 0 .
Respuesta.   

x1 1
   
~x = x2  = 2
  
.
x3 3
3x1 − x2 + x3 = 3
2x1 + x2 − x3 = 2
x1 − x2 + 2x3 = 2 .
Respuesta.   

x1 1
   
~x = 
x2  = 1 .
  
x3 1
Ejemplo 36 (Gauss–Jordan). Encontrar los valores de x1 , x2 y x3 que solucio-

nan el sistema
3x1 + x2 + 2x3 = 13
x2 − x3 = −5
x1 + x3 = 6 .
Solución. 
3x1 + x2 + 2x3
 = 13
Reorganizando el sistema se tiene 0x1 + x2 − x3 = −5


x1 + 0x2 + x3 = 6.
 
..
 3 1 2 . 13 
.
La matriz aumentada es 0 1 −1 .. −5.
 
 
.
1 0 1 .. 6
Entonces, por medio de operaciones elementales fila, tenemos
   
.. ..
1 0 1 . 6 1 0 1 . 6 
. .
1 −1 .. −5 f3 ←− f3 − 3f1 0 1 −1 .. −5
   
f1 ←→ f3 0
   
.. ..
3 1 2 . 13 0 1 −1 . −5
 
..
1 0 1 . 6
.
1 −1 .. −5
 
f3 ←− f3 − f2 0 .
 
.
0 0 0 .. 0

x1 + x3 = 6 x1 = 6 − x3 x1 = 6 − r
⇒ ⇒ Sea x3 = r ∈ R, entonces
x2 − x3 = −5. x2 = x3 − 5. x2 = r − 5.
   
x1 6−r
   
Ası́ 
 x2  =  r − 5  .
  
x3 r
De lo anterior se obtiene que el sistema tiene infinitas soluciones. Para verificar

el resultado se reemplazan los valores de x1 , x2 y x3 en las ecuaciones originales.
Note que el rango de la matriz aumentada es dos y que el rango de la matriz
de coeficientes también es dos.
x1 − x2 + x3 = 1
2x1 − 3x2 + x3 = −1
4x1 − 5x2 + 3x3 = 1 .
Respuesta.
   
x 4 − 2r
 1  
 , con r ∈ R.
~x = x2  =  3 − r 
  
x3 r
2x1 + x2 + x3 = 4
x1 + x2 − x3 = 1
3x1 + 3x2 − 3x3 = 3 .
Respuesta.
   
x1 3 − 2s
   
x2  = −2 + 3s , con s ∈ R.
~x =    
x3 s
Ejemplo 37 (Gauss–Jordan). Encontrar los valores de x1 , x2 y x3 que solucio-

nan el sistema
3x1 + x2 + 2x3 = 13
x2 − x3 = −5
x1 + x3 = 10 .
Solución.
Reorganizando el sistema se tiene

3x1 + x2 + 2x3
 = 13
0x1 + x2 − x3 = −5


x1 + 0x2 + x3 = 10 .
La matriz aumentada es
 
..
3 1 2 . 13 
.
0 1 −1 .. −5 .
 
 
..
1 0 1 . 10
Entonces, por medio de operaciones elementales fila, tenemos

   
.. ..
1 0 1 . 10  1 0 1 . 6 
 ..   .. 
f1 ←→ f3 0 1 −1 . −5 f3 ←− f3 − 3f1 0 1 −1 . −5 
   
.. ..
3 1 2 . 13 0 1 −1 . −17
   
.. ..
1 0 1 . 6 
1 
1 0 1 . 6
.. .
f3 ←− − f3 0 1 −1 .. −5
   
f3 ←− f3 − f2 0 1 −1 . −5 
  12  
.. ..
0 0 0 . −12 0 0 0 . 1
 
.
1 0 1 .. 0
f1 ←− f1 − 6f3  . 
f2 ←− f2 + 5f3 0
 1 −1 .. 0 
.
..
0 0 0 . 1
De la tercera fila obtenemos que 0x1 + 0x2 + 0x3 = 1, lo cual es absurdo; luego
el sistema no tiene solución.
Note que el rango de la matriz aumentada es tres, pero que el rango de la
matriz de coeficientes es dos.
x1 − x2 + x3 = 1
2x1 − 3x2 + x3 = −1
4x1 − 5x2 + 3x3 = 3 .
Respuesta. Al realizar varias operaciones elementales fila sobre la matriz au-

mentada correspondiente, obtenemos que 0x1 +0x2 +0x3 = 1, lo cual es absurdo;
luego el sistema no tiene solución.
2x1 + x2 + x3 = 4
x1 + x2 − x3 = 1
3x1 + 3x2 − 3x3 = 1 .
Respuesta. Al realizar varias operaciones elementales fila sobre la matriz au-

mentada correspondiente, obtenemos que 0x1 +0x2 +0x3 = 1, lo cual es absurdo;
luego el sistema no tiene solución.
Ejemplo 38 (Gauss–Jordan). Encontrar los valores de x1 , x2 , x3 y x4 que

solucionan el sistema
2x1 − x2 + x3 = −1
4x2 − x3 + x4 = 9
x3 + x1 = 0
x1 + x2 + x3 + x4 = 2 .
Solución. 


 2x1 − x2 + x3 + 0x4 = −1

0x + 4x − x + x = 9
1 2 3 4
Reorganizando el sistema


 x 1 + 0x 2 + x 3 + 0x 4 =0

x + x + x + x
1 2 3 4 = 2.
 
.
2 −1 1 0 .. −1
 
.
0 4 −1 1 .. 9 
 
La matriz aumentada es  ..
.

1 0 1 0 . 0 
 
..
1 1 1 1 . 2
Efectuando operaciones elementales fila para llevar la matriz a escalonada
reducida, tenemos
   
.. ..
1 1 1 1 . 2 1 1 1 1 . 2
   
 ..   .. 
1
f1 ←→ f4 0 1 0 . 0  f2 ←− f2 − f10
 −1 0 −1 . −2 
f2 ←→ f3 .  f4 ←− f4 − 2f1 .. 
0
 4 −1 1 .. 9  
0
 4 −1 1 . 9  
.. ..
2 −1 1 0 . −1 0 −3 −1 −2 . −5
   
. .
1 1 1 1 .. 2 1 0 1 0 .. 0
   
f2 ←− −f2 . f1 ←− f1 − f2  ..
1 .. 2
   
0 1 0
f3 ←− f3 + 4f2   f3 ←− −f3 0 1 0 1 . 2 
 ..   .. 
0 0 −1 −3 . 1 f4 ←− f4 − f3 0
f4 ←− f4 − 3f2  0 1 3 . −1
 

.. ..
0 0 −1 1 . 1 0 0 0 4 . 0
   
. .
1 0 0 −3 .. 1 1 0 0 0 .. 1
   
 ..  f1 ←− f1 + 3f4  .. 
0 1 0 1 . 2  f2 ←− f2 − f4 0
f1 ←− f1 − f3  1 0 0 . 2
 
.
f4 ←− 14 f4  .. 
0 0 1 3 . −1 f3 ←− f3 − 3f4 0
 .. 
   0 1 0 . −1 
.. ..
0 0 0 1 . 0 0 0 0 1 . 0
   
x1 1
   
 x2   2 
Entonces x1 = 1, x2 = 2, x3 = −1 y x4 = 0 o ~x = 
x  = −1 .
  
 3  
x4 0
Para verificar se reemplazan los valores de x1 , x2 , x3 y x4 en las ecuaciones
originales.
Note que el rango de la matriz aumentada es cuatro y que el rango de la
matriz de coeficientes también es cuatro.
Ejercicio 69 (Gauss–Jordan: circuitos eléctricos). Un circuito eléctrico sencillo
está constituido por baterı́as ( - + ), resistencias ( ) y cables eléctricos (—)
que los unen. La figura 1.3 ilustra un circuito eléctrico
- + I1
V: voltios - + I2
Ω: ohmios
I: intensidad
I3
Figura 1.3: circuito eléctrico
Se desea saber cuáles son las intensidades I1 , I2 e I3 (en amperios) que cir-
culan por los cables. Para ello, mediante la ley de voltaje y ley de intensidad,
ambas de Kirchhoff, se ha determinado que I1 , I2 e I3 satisfacen
I1 + I2 − I3 = 1
I1 − 2I2 = −1
I2 + 3I3 = 4 .
Mediante el método de Gauss–Jordan, determinar los valores de las tres in-

tensidades de corriente.
Respuesta.
   
I 1
 1  
~
I = I2  = 1.
  
I3 1
Teorema 12 (Rouché-Fröbenius). Un sistema de m ecuaciones lineales y n

incógnitas, A~x = ~b, tiene solución si y solo si el rango de A es igual al rango de
h . i
A .. ~b .
h . i
1. Si el rango de A es igual al rango de A .. ~b y es igual a n, entonces la
solución es única. Observe el ejemplo 35.
h . i
2. Si el rango de A es igual al rango de A .. ~b y es menor que n, entonces
existen infinitas soluciones. Observe el ejemplo 36.
h . i
3. Si el rango de A es diferente del rango de A .. ~b , entonces el sistema no
tiene solución. Observe el ejemplo 37.
Ejemplo 39 (Gauss–Jordan). Determinar los valores de ‘a’ y ‘b’ de tal forma

que el sistema
2x1 + 2x2 + ax3 = b − 4
x1 + x2 − 2x3 = 0
x1 + 2x2 + x3 = 0 :
1. No tenga solución. Explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Encontrar las soluciones.
3. Tenga solución única, explicar porqué. Determinar alguna solución.
Solución. La correspondiente matriz aumentada y la solución, a continuación

   
.. .
 2 2 a . b − 4  1 2 1 .. 0 
.. .
1 −2 ..
   
1 1 −2 . 0  f1 ←→ f3 1 0 
   
.. ..
1 2 1 . 0 2 2 a . b−4
   
.. ..
1 2 1 . 0  f ← f + 2f
1 1 2 1 0 −5 . 0 
f2 ← f2 − f1  ..   .. 
f ← (−1)f .
f3 ← f3 −2f1 0 −1 −3 . 0 
 2 2 0 1 3 . 0 
  
.. f3 ← f3 − 2f2 ..
0 −2 a − 2 . b−4 0 0 a+4 . b−4
Entonces:
1. Con a = −4 y b 6= 4, por ejemplo b = 0, el sistema no tiene solución.

2. Con a = −4 y b = 4 el sistema tiene infinitas soluciones.
3. Con a 6= −4, por ejemplo, a = 1 y b = −1, el sistema tiene una única
solución.
Veamos
1. No tenga solución
Si a = −4 y b = 0, entonces
   
.. ..
1 0 −5 . 0  1 0 −5 . 0
. . 
0 1 3 .. 0  f3 ← − 14 f3 0 1 3 .. 0
  
   
.. ..
0 0 0 . −4 0 0 0 . 1
De la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo tanto el

sistema no tiene solución.
h . i
Además, observe que el rango de A es dos y el de A .. ~b es tres, por lo
tanto, el sistema no tiene solución por el teorema 12.
2. Infinitas soluciones
Si a = −4 y b = 4, entonces
 
..
1 0 −5 . 0
 .. 
0 1 3 . 0 .
 
..
0 0 0 . 0
De donde obtenemos las ecuaciones

(
x1 − 5x3 = 0
⇒
x2 + 3x3 = 0 .
Lo que implica: x1 = 5x3 y x2 = −3x3 . Ahora, si x3 = r ∈ R, entonces

x1 = 5r y x2 = −3r. Luego,
   
x1 5r
   
~x = x 2
  
 = −3r  .

x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que la
cantidad de incógnitas (tres); lo que implica infinitas soluciones de acuerdo
al teorema 12.
3. Solución única
Si a = −3 y b = 5, entonces tenemos
   
.. ..
1 0 −5 . 0 1 0 0 . 5 
 ..  f1 ←− f1 + 5f3  .. 
.
 f2 ←− f2 − 3f3 0 1 0 . −3
0 1 3 . 0 

. .
0 0 1 .. 1 0 0 1 .. 1
Luego, la solución del sistema es

   
x1 5
   
x2  = −3
~x =    
x3 1
h . i
Observe que el rango de A es igual al de A .. ~b y también es igual a la
cantidad de incógnitas (tres), lo que implica solución única de acuerdo al
teorema 12.
Ejemplo 40 (Gauss–Jordan). Dado el sistema lineal
x1 + x2 − 2x3 = −2
2x1 + 3x2 − 2x3 = 1
x1 + 3x2 + (a2 − 2)x3 = a + 6 .
Encontrar los valores de a de tal forma que el sistema:
1. No tenga solución, explicar porqué.

2. Tenga infinitas soluciones, explicar porqué. Determinar los valores de x1 ,

x2 y x3 .
3. Tenga solución única, explicar porqué. Determinar los valores de x1 , x2 y

x3 para algún a.
Solución.
 
..
1 1 −2 . −2 
 .. 
2 3 −2 . 1  ,
 
..
1 3 a2 − 2 . a+6
entonces
   
.. ..
 1 1 −2 . −2  1 0 −4 . −7 
f2 ← f2 −2f1  ..  f1 ← f1 − f2  .. 
.
f3 ← f3 − f1 0 1 2 . 5  f3 ← f3 −2f2 0 1 2 . 5 
 

. ..
0 2 a2 .. a + 8 0 0 a2 − 4 . a−2
Para que el sistema:
1. No tenga solución.
Con a = −2, tenemos
   
. ..
1 0 −4 .. −7  1 0 −4 . −7
. .
1 2 .. 5  f3 ← − 14 f3 0 1 2 .. 5 
   
0
   
. .
0 0 0 .. −4 0 0 0 .. 1
 
..
1 0 −4 . 0
f2 ← f2 −5f3  .. 
.
f1 ← f1 +7f3 0 1 2 . 0


.
0 0 0 .. 1
h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene solución por el teorema 12.
Además, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene solución.
2. Infinitas soluciones.
Con a = 2, tenemos
 
..
1 0 −4 . −7
.
0 1 2 .. 5  ,
 
 
..
0 0 0 . 0
De donde se obtiene x1 − 4x3 = −7 y x2 + 2x3 = 5. Ahora, si x3 = r ∈ R,
entonces x1 = 4r − 7 y x2 = 5 − 2r. Luego,
   
x1 4r − 7
   
~x = x 2
  
 = 5 − 2r  .

x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.
3. Solución única.
Con a 6= ±2 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −2 y tampoco se anuları́a la fila como
con a = 2; por ejemplo, con a = −1 tenemos
   
.. ..
1 0 −4 . −7 1 0 −4 . −7
.. 1 .
0 1 2 . 5 f3 ← (− 3 )f3 0 1 2 .. 5 
   
   
.. ..
0 0 −3 . −3 0 0 1 . 1
 
..
 1 0 0 . −3 
f1 ← f1 + 4f3  .. 
.
f2 ← f2 − 2f3 0 1 0 . 3 

..
0 0 1 . 1
Entonces, la solución del sistema es

   
x −3
 1  
 x2  =  3  .
~x =    
x3 1
h . i
Observe que el rango de A es igual al de A .. ~b y es igual al número de
incógnitas (tres); lo que implica una única solución por el teorema 12.
Ejemplo 41. Encontrar los valores de a de tal forma que el sistema
x1 + x2 + x3 = 2
2x1 + 3x2 + 3x3 = 3
3x1 + 3x2 + (a2 + 2)x3 = a + 5 .

x2 y x3 .

x3 para algún a.
Solución.
 
..
1 1 1 . 2 
 .. 
2 3 3 . 3  ,
 
..
3 3 a2 + 2 . a+5
entonces
 
..
1 1 1 . 2 
f2 ← f2 −2f1  .. 
f3 ← f3 −3f1 0
 1 1 . −1  
.
0 0 a2 − 1 .. a − 1
 
..
1 0 0 . 3 
 .. 
f1 ← f1 − f2 0 1 1 . −1  .
 
.
0 0 (a − 1)(a + 1) .. a − 1
Para que el sistema:

1. No tenga solución.
Con a = −1, tenemos
   
.. ..
1 0 0 . 3   1 0 0 . 3 
. .
0 1 1 .. −1f3 ← − 12 f3 0 1 1 .. −1
   
   
. .
0 0 0 .. −2 0 0 0 .. 1
 
..
1 0 0 . 0
f2 ← f2 + f3  .. 
.
f1 ← f1 −3f3 0 1 1 . 0


.
0 0 0 .. 1
h . i
Observe que el rango de A es dos y el de A .. ~b es tres, por lo tanto, el
sistema no tiene solución por el teorema 12.
Además, de la fila 3 se observa que 0 = 1, lo cual es un absurdo, por lo
tanto el sistema no tiene solución.
2. Infinitas soluciones.
Con a = 1, tenemos
 
..
1 0 0 . 3 
.
0 1 1 .. −1 ,
 
 
..
0 0 0 . 0
De donde se obtiene x1 = 3 y x2 + x3 = −1. Ahora, si x3 = r ∈ R, entonces

x2 = −1 − r. Luego,
   
x1 3
   
~x =  x 2
  
 = −1 − r .

x3 r
h . i
Observe que el rango de A es igual al de A .. ~b (dos), pero es menor que
la cantidad de incógnitas (tres), lo que implica infinitas soluciones por el
teorema 12.
3. Solución única.
Con a 6= ±1 tenemos una única solución, pues en la tercera fila no tendrı́amos
una inconsistencia como con a = −1 y tampoco se anuları́a la fila como
con a = 1; por ejemplo, con a = 0 tenemos
   
.. ..
 1 0 0 . 3  1 0 0 . 3 
 ..  f3 ← −f3  .. 
0 1 1 . −1 .
 f2 ← f2 + f3 0 1 0 . −2


.. ..
0 0 −1 . −1 0 0 1 . 1
Entonces, la solución del sistema es

   
x 3
 1  
~x = x2  = −2
  
.
x3 1
h . i
Observe que el rango de A es igual al de A .. ~b y es igual al número de
incógnitas (tres); lo que implica una única solución por el teorema 12.
Ejercicio 70. Encontrar los valores de a de tal forma que el sistema:
x1 + x2 − x3 = 2
x1 − x2 + 3x3 = 4
x1 + x2 + (a2 − 5)x3 = a .
x2 y x3 .
x3 para algún a.
Respuesta. Con a = −2 no hay solución; con a = 2 se obtienen infinitas solu-
ciones de la forma (~x)T = [3 − s, −1 + 2s, s], s ∈ R; y con a 6= ±2 se obtiene una
única solución, por ejemplo, con a = 0 se obtiene (~x)T = [5/2, 0, 1/2].
Ejercicio 71. Encontrar los valores de a de tal forma que el sistema:
2x1 + x2 + x3 = 4
x1 + x2 − x3 = 1
3x1 + 3x2 + (a2 − 4)x3 = a + 2 .

x2 y x3 .

x3 para algún a.
Respuesta. Con a = −1 no hay solución; con a = 1 se obtienen infinitas solu-

ciones de la forma (~x)T = [3 − 2r, −2 + 3r, r], r ∈ R; y con a 6= ±1 se obtiene
una única solución, por ejemplo, con a = 0 se obtiene (~x)T = [1, 1, 1].
Sistema lineal homogéneo
Un sistema lineal de m ecuaciones y n incógnitas de la forma
a11 x1 + a12 x2 + · · · + a1n xn = 0

a21 x1 + a22 x2 + · · · + a2n xn = 0
.. .. .. ..
. . . .
am1 x1 + am2 x2 + · · · + amn xn = 0
es llamado sistema lineal homogéneo. Su representación matricial es

    
a11 a12 · · · a1n x1 0
    
 a21 a22 · · · a2n   x2  0
    
 . .. ..    =  ,
 .. . .   ...   ... 
    
am1 am2 · · · amn xn 0
que en forma abreviada es
A~x = ~0 .
Una solución de este sistema es la llamada trivial, que es x1 = x2 = · · · =

xn = 0. Una solución donde no todas las xi sean cero es llamada no trivial.
Teorema 13. Un sistema de ecuaciones homogéneo siempre tiene solución no

trivial si el número de ecuaciones es menor que el de incógnitas.
Ejemplo 42. Encontrar la solución del siguiente sistema homogéneo.
4x1 + x2 + x3 = 0
5x1 − x2 − x3 = 0 .
Solución.
 
..
4 1 1 . 0
 ,
..
5 −1 −1 . 0
entonces, por medio de operaciones elementales fila, tenemos

   
.. ..
9 0 0 . 0 1 0 0 . 0
f1 ←− f1 + f2  ..
 f1 ←− 91 f1  ..

5 −1 −1 . 0 5 −1 −1 . 0
   
. .
1 0 0 .. 0 1 0 0 .. 0
f2 ←− f2 − 5f1 
.
 f2 ←− (−1)f2 
.
.
0 −1 −1 .. 0 0 1 1 .. 0

x1 = 0
⇒ Si x3 = r ∈ R, entonces x2 = −r. Ası́,
x2 + x3 = 0.
   
x1 0
   
x2  = −r .
~x =    
x3 r
El sistema tiene infinitas soluciones. Para verificar el resultado se reemplazan los

valores de x1 , x2 y x3 en las ecuaciones originales.
Note que el rango de la matriz aumentada es dos que es igual al rango de
la matriz de coeficientes y es menor que el número de incógnitas, que es tres, lo
que implica infinitas soluciones por el teorema 12.
Ejercicio 72. Por Gauss–Jordan, determinar la solución del sistema homogéneo
4x1 + 8x2 − 8x3 = 0

2x1 − 2x2 − 2x3 = 0 .

Respuesta. (~x)T = 43 r, 3r , r , con r ∈ R.
Teorema 14. Si A ∈ Mm×n , entonces el sistema homogéneo A~x = ~0 tiene:

1. Infinitas soluciones si el rango de A es menor que n.
2. Una única solución, la trivial, si el rango de A es igual a n
1.5 Inversa de una matriz
Definición 23 (Matriz invertible). Una matriz A ∈ Mn×n es invertible o no

singular si existe (∃) B ∈ Mn×n tal que AB = BA = In , es decir, una matriz
cuadrada tiene inversa si existe otra matriz cuadrada de igual tamaño tal que al
multiplicarlas entre sı́, en cualquier orden, se obtiene la matriz identidad.
Ejemplo 43. Dadas
" # " #
2 3 4/5 −3/5
A= y B= ,
1 4 −1/5 2/5
verifiquemos que B es inversa de A.
Solución.
" #" #
2 3 4/5 −3/5
AB =
1 4 −1/5 2/5
" # " #!
2 3 1 4 −3
=
1 4 5 −1 2
" #" #
1 2 3 4 −3
=
5 1 4 −1 2
" #
1 8 − 3 −6 + 6
=
5 4 − 4 −3 + 8
" #
1 5 0
=
5 0 5
" #
1 0
= .
0 1
Entonces B es inversa de A. Realice BA y también obtendrá I2 .
Ejercicio 74. Dadas

" # " #
3 7 5 −7
A= y B= ,
2 5 −2 3
verifique que B es inversa de A. Realice AB y BA.
Observe que aunque la multiplicación de matrices no es en general conmuta-

tiva, este es uno de esos casos donde sı́ lo es.
De ahora en adelante, a la inversa de A la denotaremos como A−1 , entonces,
si A−1 existe
AA−1 = A−1 A = In .
¿Cómo determinar la inversa de una matriz?

Suponga que desea saber si A ∈ Mn×n es invertible y en caso de serlo en-
contrar A−1 . Pasos para lograr este objetivo:
.
1. Forme la matriz [A .. In ]
.
2. Ejecute operaciones elementales fila a [A .. In ], de tal forma que A quede
.
en forma escalonada reducida, obtendrá la matriz [B .. C]
3. Si B = In , entonces A−1 = C.
Si B tiene al menos una fila de ceros, entonces A no es invertible.
Ejemplo 44. Dada

 
3 5 1
 
A=
1 2 ,
3 
−1 −3 −12
encontrar A−1 .
Solución.
 
..
3 5 1 .. 1 0 0
.. 0 1 0
1 2 3 .
−1 −3 −12 .. 0 0 1
 
..
1 2 3 .. 0 1 0
.. 1 0 0
f1 ↔ f2  3 5 1 .
−1 −3 −12 .. 0 0 1
 
..
f2 ← f2 − 3f1 1 2 3 .. 0 1 0
.. 1 −3 0
0 −1 −8
f3 ← f3 + f1 ..
0 −1 −9 . 0 1 1
 
f1 ← f1 + 2f2 1 ..
0 −13 .. 2 −5 0
f2 ← −f2

0 1 8 .. −1 3 0
.
f3 ← f3 − f2 0 0 −1 .. −1 4 1
 
.
f2 ← f2 + 8f3 1 0 0 ... 15 −57 −13
1 0 ... −9 35

f1 ← f1 − 13f3 0 8 
f3 ← −f3 0 .
0 1 . 1 −4 −1
Entonces,
 
−57 −13
15
 
A−1 =
 −9 35 8 .

1 −4 −1
Ejercicio 75. Verifique el ejemplo 44, es decir, verifique que AA−1 = I3 .

Ejercicio 76. Si
" #
3 −2
A= ,
1 2
determinar A−1 . Verifique su respuesta.

" #
1 2 2
Respuesta. A−1 = 8 .
−1 3
Ejercicio 77. Sea
" #
2 3
A=
1 4
la matriz del ejemplo 43, determinar A−1 mediante el método enseñado.

" #
1 4 −3
Respuesta. A−1 = 5 .
−1 2
Ejercicio 78. Sea
" #
a b
A= ,
c d
determinar A−1 . ¿Qué condiciones deben cumplir a, b, c y d para que la inversa

exista?
" #
1 d −b
Respuesta. A−1 = ad−bc y (ad − bc) 6= 0.
−c a
Teorema 15. Si una matriz tiene inversa, entonces es única.
Hasta ahora, hemos realizado pruebas en las que partiendo de una hipótesis
H llegamos a una tesis T a través de inferencias lógicas (pasos) =⇒, es decir,
H =⇒ T . Pues bien, está demostrado que otra forma de probar es negando la tesis
∼T y, a través de inferencias lógicas =⇒, llegamos a una negación de la hipótesis
∼H, es decir, ∼T =⇒∼H, o llegamos a una contradicción =⇒⇐=. A este método
de demostrar se le llama reducción al absurdo o prueba por contradicción.
Por ejemplo, usted sabe que el inverso multiplicativo del 5 es 15 porque 5× 15 =
1 y es el único. Pues bien, una forma de probar que es el único es suponiendo
que existe otro inverso multiplicativo diferente de 51 . Supongamos que existe un
b 6= 15 tal que b × 5 = 1, luego b = b × 1 = b × (5 × 51 ) = (b × 5) × 51 = 1 × 15 = 51 .
Luego, b = 15 , pero habı́amos dicho que b 6= 51 . Entonces es una contradicción.
Concluimos que no existe otro inverso multiplicativo para el cinco.
Cuando se nos habla de unicidad en un teorema, entonces pensamos que la
forma de probarlo es seguramente por reducción al absurdo. Veamos cómo probar
el teorema 15 por reducción al absurdo.
Prueba.
1
Sea A ∈ Mn×n invertible, hipótesis
2
Suponga que existen B, C ∈ Mn×n
negación de la tesis
diferentes tales que AB = In y AC = In ,
3
B = BIn , multiplicando por la identidad
4
= B(AC), 2 en
3
5
= (BA)C, asociatividad
6
= In C, 2
por
7
= C, 3
razón de .
Como B = C, por 3 a ,
7 entonces hay una contradicción porque habı́amos su-
2 que eran diferentes. Luego, la inversa es única.
puesto en
Teorema 16 (Propiedades de la inversa).
−1
1. Si A ∈ Mn×n es invertible, entonces A−1 es también invertible y A−1 =
A.
2. Si A, B ∈ Mn×n son invertibles, entonces AB es invertible y (AB)−1 =

B −1 A−1 .
−1 T
3. Si A es invertible, entonces AT = A−1 .
Prueba de 2.
1
Sean A, B ∈ Mn×n invertibles, hipótesis
Entonces,
2
La inversa de (AB) es (B −1 A−1 ) si y solo si (sii)
3
(AB)(B −1 A−1 ) = I sii, definición de inversa
4
A(BB −1 )A−1 = I sii, asociatividad
5
A(I)A−1 = I sii, definición de inversa
6
AA−1 = I sii, por matriz identidad
7
I = I, 6
razón de .
Ahora,
8
La inversa de (AB) es (B −1 A−1 ) sii
9
(B −1 A−1 )(AB) = I sii, definición de inversa
10
B −1 (A−1 A)B = I sii, asociatividad
11
B −1 (I)B = I sii, definición de inversa
12
B −1 B = I sii, por matriz identidad
13
I = I, razón de 12
.
, la inversa de AB es B −1 A−1 .
2 a 13
Luego, por
Ejemplo 45.
" # " #
2 1 3 −1
1. Sea A = , su inversa es A−1 = .
5 3 −5 2
Observe
−1 que la inversa de la inversa de A es la misma A, es decir,
A−1 = A.
2. Sean
" # " # " # " #
3 7 −1 −2 −7 2 1 −1 2 −1
A= ,A = ,B = yB = ,
−1 −2 1 3 3 2 −3 2
(por favor verifique las inversas con el método explicado).
(a) Entonces:
" #" #
3 7 2 1
AB =
−1 −2 3 2
" #
6 + 21 3 + 14
=
−2 − 6 −1 − 4
" #
27 17
= .
−8 −5
(b) La inversa de AB es
" #
−1 −5 −17
(AB) = , por favor verifı́quelo.
8 27
(c) Ahora,
" #" #
2 −1 −2 −7
B −1 A−1 =
−3 2 1 3
" #
−4 − 1 −14 − 3
=
6+2 21 + 6
" #
−5 −17
= .
8 27
Se observa, entonces, que (AB)−1 = B −1 A−1 .
3. Sea
" #
2 1
A= ,
7 4
entonces
" #
2 7
AT = .
1 4
La inversa de la transpuesta de A es
" #
T −1
4 −7
A = .
−1 2
Ahora, A−1 es
" #
4 −1
,
−7 2
entonces
" #
−1 T 4 −7
(A ) = .
−1 2
Observe que la inversa de la transpuesta de A es igual a la transpuesta de
la inversa de A, es decir,
−1 T
AT = A−1 .
Corolario 1. Si A1 , A2 , . . . , Ap ∈ Mn×n son invertibles, entonces
A1 A2 . . . Ap
es invertible y
(A1 A2 . . . Ap )−1 = A−1 −1 −1
p . . . A2 A1 .
Teorema 17. Dados A, B ∈ Mn×n , si AB = In , entonces BA = In y B = A−1 .

Teorema 18. Una matriz A ∈ Mn×n es invertible si y solo si es equivalente
por filas a In .
Aplicación de la inversa de una matriz
Sabemos que un sistema lineal de n ecuaciones y n incógnitas puede ser expresado

como A~x = ~b. Si A es invertible, entonces podemos multiplicar a ambos lados de
esta ecuación por A−1 , luego:
A−1 (A~x) = A−1~b ,
(A−1 A)~x = A−1~b ,
In ~x = A−1~b ,
~x = A−1~b . (1.1)
Ahora, en la industria, el gobierno y la academia, diversos problemas pueden

ser expresados como sistemas lineales, de tal forma que si se desea obtener ciertos
resultados ~b, la pregunta es: ¿qué valores ~x deberán ser ingresados en el proceso?
La ecuación (1.1) responde a esta pregunta.
Ejemplo 46. En la institución educativa Lucrecio Jaramillo del municipio de

Medellı́n se requiere comprar 2 fotocopiadoras, 7 computadores y 3 escritorios.
Si se sabe, por información de otras tres instituciones, que 1 fotocopiadora, más
3 computadores, más 2 escritorios valen $9 millones; que 2 fotocopiadoras, más
7 computadores, más 1 escritorio valen $17 millones; y que 3 fotocopiadora, más
11 computadores, más 1 escritorio valen $26 millones; entonces, ¿cuánto es el
costo por unidad y total de los artı́culos que la institución desea comprar?
Solución.
Sean f : valor de una fotocopiadora, c: valor de un computador y e: valor de un
escritorio. Entonces,
f + 3c + 2e = 9
2f + 7c + e = 17
3f + 11c + e = 26 ,
que en forma abreviada es A~x = ~b, donde:

     
1 3 2 f 9
     
A=   ~  
2 7 1 , ~x =  c  y b = 17 .

3 11 1 e 26
La inversa de A es
 
−4 19 −11
 
A−1 = 
1 −5 .
3 
1 −2 1
Luego, como ~x = A−1~b, entonces

    
−4 19 −11 9 1
    
~x = 
 1 −5 3  17 = 2 .
   
1 −2 1 26 1
De esta forma, la institución educativa Lucrecio Jaramillo debe invertir 2 × 1 +

7 × 2 + 3 × 1 = 19 millones.
Si los valores facturados por las tres instituciones hubiesen sido 6, 10 y 15
millones, respectivamente, ¿requerirı́a usted resolver un nuevo sistema lineal?
La respuesta es no, simplemente multiplicarı́a A−1 por el vector [6, 10, 15]T
y obtendrı́amos [1, 1, 1]T , que corresponde a los valores de cada fotocopiadora,
cada computador y cada escritorio, respectivamente. De esta forma, la institución
deberı́a invertir 2 × 1 + 7 × 1 + 3 × 1 = 12 millones.
Ejercicio 79. En el plano cartesiano un punto cualquiera (x, y) puede ser gi-
rado un ángulo φ, en dirección contraria a las manecillas del reloj, mediante la
transformación
" #" #
cos(φ) − sen(φ) x
A~v = .
sen(φ) cos(φ) y
Si se sabe que siete puntos fueron girados 90o con dicha transformación y se
obtuvo el siguiente conjunto {(−9, −3), (−2, 4), (−1, 1), (0, 0), (1, 1), (2, 4), (5, 5)},
¿cuáles fueron los puntos originales? Grafı́quelos.
" #
cos(φ) sen(φ)
Ayuda. La inversa de A es .
− sen(φ) cos(φ)
Respuesta. {(−3, 9), (4, 2), (1, 1), (0, 0), (1, −1), (4, −2), (5, −5)}.
Teorema 19. Si A ∈ Mn×n , entonces el sistema homogéneo
A~x = ~0
tiene solución no trivial si y solo si A es no invertible.
Ejemplo 47. Dado el sistema
2x1 + 4x2 = 0
−6x1 − 12x2 = 0 ,
que en forma matricial es

" # " # " #
2 4 x1 0
= .
−6 −12 x2 0
| {z } | {z } |{z}
A ~
x ~0
A es no invertible (verificarlo). Solucionando el sistema se tiene

" #
..
2 4 .. 0
−6 −12 .. 0
" #
f1 ← 12 f1 1 2 ..
.. 0 .
f2 ← f2 + 3f1 0 0 .. 0
Luego, el sistema tiene infinitas soluciones
x1 = −2x2 .
Si x2 = r ∈ R, entonces la solución del sistema es

" #
−2r
~x = .
r
Teorema 20. Si A ∈ Mn×n , entonces A es invertible si y solo si el sistema

lineal A~x = ~b tiene solución única.
Dado un sistema lineal A~x = ~b de n ecuaciones con n incógnitas, las siguientes

afirmaciones son equivalentes:
1. A es invertible.
2. A~x = ~b tiene solución única.
3. A es equivalente por filas a In .
4. El rango de A es n.

1.6 Factorización LU
Ahora estudiaremos como resolver un sistema lineal de n ecuaciones con n

incógnitas, A~x = ~b, A invertible, descomponiendo la matriz A en una matriz
triangular inferior por una matriz triangular superior. Este método es llamado
factorización LU y es útil cuando ~b cambia frecuentemente.
Suponga que An×n = LU donde L es una matriz triangular inferior y U es
una matriz triangular superior. Entonces,
A~x = ~b
(LU )~x = ~b
L(U~x) = ~b
L~y = ~b,
con ~y = U~x.
Como L es triangular inferior, resolvemos L~y = ~b por sustitución hacia ade-
lante. Y como U es triangular superior, resolvemos U~x = ~y por sustitución hacia
atrás tal como se ilustra en el siguiente ejemplo.
Ejemplo 48. Resolver por factorización LU el sistema A~x = ~b
2x1 + 4x2 + 2x3 = 12
2x1 + 2x2 − 3x3 = 3
x1 + 4x2 + 7x3 = 16 .
Solución. Llevemos la matriz A a triangular superior empleando solo dos tipos
de operaciones elementales fila: a una fila súmele k veces otra fila y multiplicación
de una fila por un c 6= 0.
   
2 4 2 1 2 1
   
2 2 −3 f1 ←− 1 f1 2 2 −3
  2  
1 4 7 1 4 7
   
1 2 1 1 2 1
f2 ←− f2 − 2f1  
0 −2 −5 f3 ←− f3 + f2
 
0 −2 −5 .
f3 ←− f3 − f1    
0 2 6 0 0 1
Entonces,
 
1 2 1
 
U =
0 −2 −5 .

0 0 1
Ahora determinemos L:
Como la primera operación elemental fila fue multiplicar la fila uno por 12 y el
inverso multiplicativo de un medio es 2, entonces multipliquemos en la matriz
identidad, I3 , la fila uno por 2. Obtenemos
 
2 0 0
 
0 1 0 .
 
0 0 1
Como la segunda operación elemental fila fue: a la fila dos, restarle dos veces la
fila uno y el inverso aditivo de −2 es 2, entonces en la matriz identidad I3 , a la
fila dos, sumémosle dos veces la fila uno.
 
1 0 0
 
2 1 0 .
 
0 0 1
Combinando este resultado con el anterior, obtenemos

 
2 0 0
 
2 1 0 .
 
0 0 1
Como la tercera operación elemental fila fue: a la fila tres, restarle una vez la fila
uno y el inverso aditivo de −1 es 1, entonces en la matriz identidad I3 , a la fila
tres, sumémosle una vez la fila uno. Combinando esto con el resultado anterior,
obtenemos
 
2 0 0
 
2 1 0 .
 
1 0 1
Como la cuarta operación elemental fila fue: a la fila tres, sumarle una vez la fila
dos y el inverso aditivo de 1 es −1, entonces en la matriz identidad I3 , a la fila
tres, restémosle una vez la fila uno. Combinando el resultado anterior, obtenemos
 
2 0 0
 
2 1 0 .
 
1 −1 1
Entonces, la matriz triangular inferior es

 
2 0 0
 
L= 2 1 0 .

1 −1 1
Verifique que A = LU .
Ahora procedemos con la sustitución hacia adelante.
L~y = ~b
    
2 0 0 y 12
   1  
2 1 0 y2  =  3 
    
1 −1 1 y3 16
De donde se obtiene
2y1 = 12 ⇒ y1 = 6 ,
2y1 + y2 = 3 ⇒ y2 = −9 ,
y1 − y2 + y3 = 16 ⇒ y3 = 1 .
Por último, procedemos con la sustitución hacia atrás, entonces
U~x = ~y
 
  
1 2 1 x1 6
    
0 −2 −5 x2  = −9
    
0 0 1 x3 1
De donde se obtiene
x1 + 2x2 + x3 = 6 ,
−2x2 − 5x3 = −9 ,
x3 = 1 .
Luego,
x1 = 1 ,
x2 = 2 ,
x3 = 1 .
Nota: los algoritmos de sustitución hacia adelante y hacia atrás son rápidos y
fáciles de implementar, por lo que son muy utilizados.
Nota: una matriz de n × n puede tener más de una factorización LU .
Ejercicio 81. Determine una factorización LU de la matriz de coeficientes del

sistema lineal dado y resuélvalo.
2x1 + 8x2 = 18
2x1 + 2x2 − 3x3 = 3
x1 + 2x2 + 7x3 = 12 .
Respuesta. x1 = 1, x2 = 2 y x3 = 1.
   
2 0 0 1 4 0
   
L=  2 −3 0,
 U =
 0 2 1.

1 −1 1 0 0 8
Ejemplo 49. Resolver por factorización LU el sistema A~x = ~b
2x1 + 4x2 − x3 = 1
4x1 + 4x2 = 4
6x1 + 10x2 + x3 = 7 .
Solución. Llevemos la matriz A a triangular superior empleando solo dos tipos

de operaciones elementales fila: a una fila súmele k veces otra fila y multiplicación
de una fila por un c 6= 0.
   
2 4−1 2 4 −1
  f2 ←− f2 − 2f1  
4
 4 0
 f3 ←− f3 − 3f1
0
 −4 2 
6 10 1 0 −2 4
   
2 4 −1 2 4 −1
   
f2 ←− 12 f2 0
  f3 ←− f3 − f2
−2 1  0
 −2 1 .
0 −2 4 0 0 3
Entonces,
 
2 4 −1
 
U =
0 −2 1  .

0 0 3
Ahora determinemos L:
Como la primera operación elemental fila fue: a la fila dos, restarle dos veces
la fila uno y el inverso aditivo de −2 es 2, entonces en la matriz identidad I3 , a
la fila dos, sumémosle dos veces la fila uno.
 
1 0 0
 
2 1 0 .
 
0 0 1
Como la segunda operación elemental fila fue: a la fila tres, restarle tres veces la
fila uno y el inverso aditivo de −3 es 3, entonces en la matriz identidad I3 , a la
fila tres, sumémosle tres veces la fila uno.
 
1 0 0
 
0 1 0 .
 
3 0 1
Combinando este resultado con el anterior, obtenemos

 
2 0 0
 
2 1 0 .
 
3 0 1
Como la tercera operación elemental fila fue multiplicar la fila dos por 12 y el
inverso multiplicativo de 12 es 2, entonces multipliquemos en la matriz identidad,
I3 , la fila dos por 2. Combinando con el resultado anterior, obtenemos
 
1 0 0
 
2 2 0 .
 
3 0 1
Como la cuarta operación elemental fila fue: a la fila tres, restarle una vez la
fila dos y el inverso aditivo de −1 es 1, entonces en la matriz identidad I3 , a la
fila tres, sumémosle una vez la fila uno. Combinando con el resultado anterior,
obtenemos
 
1 0 0
 
2 2 0 .
 
3 1 1
Entonces, la matriz triangular inferior es

 
1 0 0
 
L= 2 2 0 .

3 1 1
Verifique que A = LU .
Ahora procedemos con la sustitución hacia adelante.
L~y = ~b
    
1 0 0 y 1
   1  
2 2 0 y2  = 4
    
3 1 1 y3 7
De donde se obtiene
y1 = 1 ,
2y1 + 2y2 = 4 ⇒ y2 = 1 ,
3y1 + y2 + y3 = 7 ⇒ y3 = 3 .
Por último, procedemos con la sustitución hacia atrás, entonces
U~x = ~y
    
2 4 −1 x1 1
    
0 −2 1  x2  = 1
    
0 0 3 x3 3
De donde se obtiene
2x1 + 4x2 − x3 = 1 ,
−2x2 + x3 = 1 ,
3x3 = 3 .
Luego,
x1 = 1 ,
x2 = 0 ,
x3 = 1 .

2x1 + 4x2 − x3 = 1
4x1 + 6x2 − x3 = 3
6x1 + 10x2 + x3 = 7 .
Respuesta. x1 = 1, x2 = 0 y x3 = 1.
   
1 0 0 2 4 −1
   
L=
2 1 0 ,
 U =
0 −2 1.
3 1 1 0 0 3

2x1 + 3x2 + 4x3 = 6

4x1 + 5x2 + 10x3 = 16
4x1 + 8x2 + 2x3 = 2 .
Respuesta. x1 = 4, x2 = −2 y x3 = 1.
   
1
0 0 2 3 4
   
L=
 2 1 0,
 U =
0 −1 2 .

2 −2 1 0 0 −2
Nota: si en el proceso de factorización LU alguna(s) entrada de la diagonal

principal es(son) cero, usted deberá realizar el(los) intercambio(s) de fila para
eliminarlo(s). Luego realice los mismos intercambios de fila en el sistema original
y comience de nuevo la solución.
Unidad 2
Determinantes
Los objetivos de esta unidad son: aprender a calcular el determinante de una

matriz, probar la existencia o no de la inversa de una matriz y calcularla, si
existe, empleando los determinantes y sus propiedades; resolver sistemas linea-
les empleando determinantes; y resolver problemas de áreas en R2 empleando
determinantes.
El determinante de una matriz An×n es una función que asigna a esta un
único número real. Denotaremos el determinante de A como det(A) o |A|.
Primero veamos cómo calcular el determinante de matrices de tamaño uno,
dos y tres:
1. El determinante de una matriz de tamaño uno, A = [a], es a; por ejemplo:

el determinante de A = [7] es 7, el determinante de B = [−5] es −5,
etcétera.
2. El determinante de una matriz de tamaño dos por dos,

" #
a11 a12
A=
a21 a22
es

a11 a12

det(A) = ❅
= a11 a22 − a12 a21 .
✠❅❅
❘

a21 a22
Ejemplo 50. Sea

" #
2 1
A= ,
3 4
entonces det(A) = (2 × 4) − (1 × 3) = 5.
Ejercicio 84. Hallar el determinante de las matrices

" # " # " #
2 −2 2 1 2 1
A= , B= y C= .
5 3 5 −3 −4 −3
Respuesta. det(A) = 16, det(B) = −11 y det(C) = −2.
3. Para calcular el determinante de una matriz de tamaño tres por tres,

 
a11 a12 a13
 
A=  a 21 a 22 a23
,

a31 a32 a33
emplearemos la regla de Sarrus: agregamos las filas uno y dos debajo, y

trazamos seis flechas diagonales en la forma

a11 a12 a13

a21 ❅

a22 a23 .
✠❅❅
❘

a31 ❅

a32 a33
❅
✠❅ ❅ ❘
❅
a11 a❅
12 a13
a ✠a ❅ ❅
❘a
21 22 23
Para encontrar el determinante de A realizamos la suma de los productos

indicados por las flechas descendentes de izquierda a derecha (verdes) y lue-
go restamos la suma de los productos indicados por las flechas descendentes
de derecha a izquierda (rojas), de la siguiente forma:
det(A) =(a11 a22 a33 + a21 a32 a13 + a31 a12 a23 )−
(a13 a22 a31 + a23 a32 a11 + a33 a12 a21 ) .
Determinantes 77
Ejemplo 51. Calcular el determinante de

 
1 0 3
 
A= −2 −1 .
4
0 2 5
Solución. Entonces,

1 0 3

❅

det(A) = −2−1
❘ 4
✠
❅ ,

0 ❅
2 5
✠ ❅❘
❅
1 ❅
0 3
✠ ❅
❘
❅
−2 −1 4
luego,
det(A) = (1 × (−1) × 5 + (−2) × 2 × 3 + 0 × 0 × 4) −

(3 × (−1) × 0 + 4 × 2 × 1 + 5 × 0 × (−2))
=(−5 − 12 + 0) − (0 + 8 + 0)
= − 25 .
Ejercicio 85. Calcular el determinante de cada una de las matrices

     
3 0 −3 4 2 −1 3 4 1
     
A= 4 2 −1  , B = 3 0 −3 y C = 5 −2 −7 .
   
0 1 5 0 1 5 0 0 0
Respuesta. det(A) = 21, det(B) = −21 y det(C) = 0. Observe que

la matriz B se obtiene a partir del intercambio de las filas 1 y 2 en A.
También observe que la matriz C tiene una fila de ceros.
Entonces, ya sabemos calcular el determinante de matrices de tamaño uno

por uno, dos por dos o tres por tres. Veamos a continuación algunos teoremas
que nos permitirán calcular el determinante de matrices de tamaño mayor por el
método que llamaremos triangulación. Este consiste en llevar la matriz a trian-
gular superior (o inferior) por medio de operaciones elementales fila (o columna)
y luego realizar el producto de la diagonal principal; el resultado, habiendo con-
siderado los teoremas siguientes, es el determinante de la matriz original.
2.1 Propiedades de los determinantes
Teorema 21. Si una matriz se obtiene de una matriz An×n al intercambiar dos
filas (columnas), entonces su determinante es el mismo de A con signo inverso,
es decir, si en A intercambiamos las filas (columnas) i y j, entonces
det(Afi ↔fj ) = − det(A) o
det(Aci ↔cj ) = − det(A) .
Ejemplo 52. Al intercambiar las filas uno y dos del ejemplo 55, obtenemos
 
−2 0 1
 
Af2 ↔f3 =   1 3 4 .

3 2 1
Su determinante es
det(Af1 ↔f2 ) =(−2 × 3 × 1 + 1 × 2 × 1 + 3 × 0 × 4)−
(1 × 3 × 3 + 4 × 2 × (−2) + 1 × 0 × 1)
=(−6 + 2 + 0) − (9 − 16 + 0)
=3 .
Efectivamente, det(Af1 ↔f2 ) = − det(A).
Ejercicio 86. Sean
   
5 31 3
0 2
   
A=
 3 0 2
 y B=
 1 5 3.

−2 2 1 −2 2 1
Calcular det(A) y det(B).

Respuesta. -21 y 21, respectivamente.
Ejercicio 87. Sean
   
2 31 3
0 1
   
A=
 3 0 1
 y B=
−2 2 1 .

−2 2 1 1 2 3
Calcular det(A) y det(B).

Respuesta. det(A) = 6 y det(B) = 6.
Determinantes 79
Teorema 22. Si una matriz se obtiene de otra An×n al multiplicar una fila
(o columna) por un k ∈ R, entonces el determinante de la nueva matriz es k
veces el determinante de la matriz original, es decir, det(Afi ←kfi ) = k det(A)
(det(Aci ←kci ) = k det(A)).
Ejemplo 53. Sean

" # " #
2 −1 −4 2
A= y Af1 ←−2f1 = ,
3 4 3 4
entonces det(A) = (2×4)−(−1×3) = 11 y det(Af1 ←−2f1 ) = −2×det(A) = −22.
Ejercicio 88. Calcular el determinante de las matrices

     
2 1 3 6 3 9 2 1 3
     
A= 3 −2 −1  , Af ←3f = 3 −2 −1 y Af ←−5f = 3 −2 −1  .
 1 1   3 3  
0 2 4 0 2 4 0 −10 −20
Respuesta. det(A) = −6, −18 y 30, respectivamente.
Teorema 23. Si una matriz se obtiene de otra matriz An×n al sumar a la i–

ésima fila (o columna) k–veces la j–ésima fila (o columna), i 6= j, entonces el
determinante de la nueva matriz es igual al de la matriz original, es decir,
det(Afi ←fi +kfj ) = det(A) o

det(Aci ←ci +kcj ) = det(A) .
Ejemplo 54. Sean

   
1 −2 0 1 −2 0
   
A= 0 5 −1 y Af3 ←f3 −5f1 = 0 5 −1 .
  
5 1 0 0 11 0
Sus determinantes son:
det(A) =(1 × 5 × 0 + 0 × 1 × 0 + 5 × (−2) × (−1))−

(0 × 5 × 5 + (−1) × 1 × 1 + 0 × (−2) × 0)
=(0 + 0 + 10) − (0 − 1 + 0)
=11
det(Af3 ←f3 −5f1 ) =(1 × 5 × 0 + 0 × 11 × 0 + 0 × (−2) × (−1))−

(0 × 5 × 0 + (−1) × 11 × 1 + 0 × (−2) × 0)
=(0 + 0 + 0) − (0 − 11 + 0)
=11 .
Hemos verificado que ambos determinantes son 11.

   
4 1 3 13 −5 0
   
A= 3 −2 −1 y Af1 ←f1 +3f2 =  3 −2 −1 .
  
1 2 0 1 2 0
Respuesta. Los dos resultados son 31.

Teorema 24. El determinante de la transpuesta de una matriz An×n es igual
al determinante de A, es decir,

det AT = det(A) .
Ejemplo 55. El determinante de

 
1 3 4
 
A=
 −2 0 1 ,

3 2 1
es
det(A) = (1 × 0 × 1 + (−2) × 2 × 4 + 3 × 3 × 1) −
(4 × 0 × 3 + 1 × 2 × 1 + 1 × 3 × (−2))
=(0 − 16 + 9) − (0 + 2 − 6)
= − 3.
Ahora, la matriz transpuesta de A es

 
1 −2 3
 
AT = 
 3 0 2,

4 1 1
Determinantes 81
y su determinante es

det AT = (1 × 0 × 1 + 3 × 1 × 3 + 4 × (−2) × 2) −
(3 × 0 × 4 + 2 × 1 × 1 + 1 × (−2) × 3)
=(0 + 9 − 16) − (0 + 2 − 6)
= − 3.

Hemos verificado que det(A) = det AT .

Ejercicio 90. Si det(A) = −7, entonces ¿cuánto es det AT ?
Teorema 25. Dada una matriz An×n , si dos de sus filas (columnas) son iguales,
entonces det(A) = 0.
Para entender mejor la siguiente prueba suponga una matriz A con dos filas
iguales
 
4 0 3 5
 
1 3 4 0
A=
4

 0 3 5

2 0 5 7
y suponga que det(A) = c. Observe que la fila uno y la tres son iguales. Ahora
construya una matriz B obtenida al intercambiar las filas uno y tres. Por tanto,
 
4 0 3 5
 
1 3 4 0
B=
4 0 3 5 .

 
2 0 5 7
Como se intercambiaron dos filas, entonces det(B) = −c. Pero, A y B son iguales,
entonces det(A) = det(B), por tanto c = −c. El único real que cumple c = −c
es el 0. Se concluye que det(A) = 0. Ahora sı́, veamos la prueba formal.
Prueba.
1
Sea A ∈ Mn×n , hipótesis
2
Sean fi y fj (ci y cj ) iguales en A, i 6= j hipótesis
3
Sea B = Afi ↔fj (B = Aci ↔cj ), construcción
4
det(B) = − det(A), por teorema 21
5
det(B) = det(A), por A y B ser iguales
6
det(A) = − det(A), 4 y por .
por 5
6
Luego, det(A) = 0 por .
Ejemplo 56. Encontrar el determinante de

 
4 0 3
 
A= 1 3 4 .

4 0 3
Observe que las filas uno y tres son iguales, luego, considerando el teorema
25, det(A) = 0. Ahora, solo para verificar, calculemos este determinante por el
método explicado:
det(A) = (4 × 3 × 3 + 1 × 0 × 3 + 4 × 0 × 4) −
(3 × 3 × 4 + 4 × 0 × 4 + 3 × 0 × 1)
=(36 + 0 + 0) − (36 + 0 + 0)
=0 .

     
7 −2 4 3 0 −8 3 0 3
     
A= 7 −2 4 , B = 0 2 5  y C = 5 −2 1 .
    
0 2 5 3 0 −8 5 −2 1
Respuesta. det(A) = 0, det(B) = 0 y det(C) = 0.
Corolario 2. Si una fila (o columna) de una matriz An×n es nula, entonces

det(A) = 0.
Prueba.
Por hipótesis, sea An×n tal que la fila i sea nula, i ∈ [1, . . . , n]. Construyamos
una matriz B a partir de A tal que la fila i en B sea igual a una fila j en A,
Determinantes 83
j 6= i, es decir, B = Afi ←fi +fj . Como a la fila i le sumamos la fila j, entonces el

determinante de B es igual al determinante de A. Pero, como B tiene dos filas
iguales, entonces el determinante de B es cero. Y como ya dijimos que det(A) =
det(B), entonces el determinante de A es cero, que era lo que deseábamos probar.
Ejemplo 57. Encontrar el determinante de

 
2 4 1
 
A= −3 1 3 .

0 0 0
Puesto que la fila tres es nula, entonces, considerando el teorema 2, det(A) = 0.

Ahora calculemos este determinante por el método explicado:
det(A) = (2 × 1 × 0 + (−3) × 0 × 1 + 0 × 4 × 3) −
(1 × 1 × 0 + 3 × 0 × 2 + 0 × 4 × (−3))
=(0 + 0 + 0) − (0 + 0 + 0)
=0 .
     
0 0 0 0 0 0 0 0 0
     
A= 3 −5 −1 , B = 0 0 0 y C = 0 0 0 .
    
0 2 4 7 −8 5 0 0 0
Respuesta. det(A) = 0, det(B) = 0 y det(C) = 0.

Teorema 26. El determinante del producto de dos matrices An×n y Bn×n es
igual al producto de sus determinantes, es decir,
det(AB) = det(A) det(B) .
Ejemplo 58. Si det(A) = 5 y det(B) = −6, entonces det(AB) = −30.
Ejercicio 93. Calcular el determinante AB si
   
1 0 4 1 3 2
   
A= 3 −2 −1 y B = 4 −2 −1 .
  
0 2 5 0 2 0
Respuesta. det(AB) = 16 × 18 = 288.

Teorema 27. Si una matriz An×n = [aij ] es triangular superior (inferior),

entonces su determinante es igual al producto de los elementos de su diagonal
principal, es decir,
det(A) = a11 a22 · · · ann .
Ejemplo 59. El determinante de

 
2 3 −2 1
 
0 5 5 1
A= 0

 0 −2 1 
0 0 0 1
es det(A) = 2 × 5 × (−2) × 1 = −20.

Ejercicio 94. Si
 
−1 3 1 −2 7
 
0 3 5 1 15 
 
 
A= 0 0 −2 1 23  ,
 
0
 0 0 4 −8
0 0 0 0 −3
entonces, ¿cuál es el det(A)?

Respuesta. det(A) = −72.
Considerando los teoremas 21, 22 y 23, para encontrar el determinante de

una matriz An×n podemos llevarla a triangular superior (inferior) por medio de
operaciones elementales fila (o columna), y por último aplicar el teorema 27 para
calcular su determinante. Veamos un ejemplo.
Ejemplo 60 (Determinante por triangulación). Sea
 
2 3 4 0
 
1 2 0 7
A= 1 1 −2 2 ,

 
0 1 4 5
encontrar |A| por triangulación.

Determinantes 85
Solución. Por medio de operaciones elementales fila, encontremos una matriz

Ai triangular superior que sea equivalente a A.
 
1 1 −2 2
 
f1 ↔ f3 0 1 4 5
A1 = 
 .
f2 ↔ f4  2 3 4 0

1 2 0 7
Como realizamos dos intercambios de fila, entonces, por el teorema 21, el deter-
minante de A es |A| = (−1) × (−1) × |A1 |. Ahora, obtengamos ceros debajo del
uno principal de la primera fila
 
1 1 −2 2
 
f3 ← f3 − 2f1 0 1 4 5
A2 =  .
f4 ← f4 − f1 0 1
 8 −4

0 1 2 5
De acuerdo al teorema 23, el determinante de A2 es igual al de A1 ; entonces

|A| = (−1) × (−1) × |A2 |. Ahora, obtengamos ceros debajo del uno principal de
la segunda fila
 
1 1 −2 2
 
f3 ← f3 − f2 0 1 4 5
A3 =  .
f4 ← f4 − f2 0 0
 4 −9
0 0 −2 0
Nuevamente, de acuerdo al teorema 23, el determinante de A3 es igual al de A2 ;

entonces |A| = (−1) × (−1) × |A3 |. Multipliquemos por un cuarto la tercera fila
 
1 1 −2 2
 
1
0 1 4 5
f3 ← 4 f3 A4 = 
0 0 1
.
−9 
 4 
0 0 −2 0
Ahora, por el teorema 22, el determinante de A4 es un cuarto del determinante

de A3 ; para corregir en el valor de |A|, multiplicamos por 4 el determinante de
A4 , entonces |A| = (−1) × (−1) × 4 × |A4 |.
 
1 1 −2 2
 
0 1 4 5 
f4 ← f4 + 2f3 A5 = 
0 0
.
−9 
 1 4 
−18
0 0 0 4
De acuerdo al teorema 23, el determinante de A5 es igual al de A4 . Para finalizar

−18

|A| = (−1) × (−1) × 4|A5 | = 4 × 1 × 1 × 1 × 4 = −18.
Ejercicio 95. Sea

 
3 7 1 4 2
 
1 2 0 0 1
 
 
A= 1 2 −2 2 1 ,
 
0 1 5 5 2
 
−2 −4 4 11 2
encontrar |A| por triangulación.

Respuesta. det(A) = −50.
Teorema 28 (Determinante de la inversa de A). Si A ∈ Mn×n es no singular,

1
entonces det(A) 6= 0 y det A−1 = .
det(A)
Prueba.
1 A es no singular,
hipótesis
2
A−1 existe, 1
de
3
AA−1 = In , definición de inversa
4
det(AA−1 ) = det(In ), obteniendo el determinante
3
a ambos lados de

5
det(A) · det A−1 = 1, propiedad de determinante.
1
Luego, det(A) 6= 0 y det A−1 = .
det(A)
Determinantes 87

Ejemplo 61. Si el det(A) = 7, entonces det A−1 = 17 .
Ejercicio 96. Si
 
1 −13
 
A=
−2 2 4 ,

3 1 5
calcular:
1. det(A) =

2. det A−1 = (empleando el teorema 28)
3. A−1 =

4. det A−1 (empleando alguno de los dos métodos estudiados).
1
Respuesta. det(A) = 48, det(A−1 ) = 48
A continuación un ejercicio en el que se aplican las propiedades de determi-

nante vistas hasta ahora.
Ejercicio 97. Responder aplicando las propiedades de los determinantes. Jus-

tifique su respuesta.

3 1 −4 3 2 3

1. Si 2 0 3 = −18, entonces 1 0 1 =?

3 1 5 −4 3 5

3 1 −1 3 1 −1

2. Si 2 2 3 = 24, entonces 2 2 3 =?

3 1 5 6 2 10

−2 4 5 7

1 2 8 −2
3. =?
−2 4 5 7

2 11 0 4

4 4 1 0

2 8 0 4
4. =?
0 0 0 0

7 1 8 4

5 1 −1 2 2 3

5. Si 2 2 3 = 38, entonces 5 1 −1=?

3 1 5 3 1 5
6. Si det(A) = 7 y det(B) = −8, entonces det(AB) =?

7. Si det(A) = 5, entonces det A−1 =?
 
4 0 0 0
 
0 1 0 0 
8. El determinante de A =   =?

 0 0 5 0 
0 0 0 −3
Respuesta.

1. -18 porque det AT = det(A).
2. 48 porque si B se obtiene de A multiplicando la tercera fila de A por 2,

entonces det(B) = 2 det(A).
3. 0 por tener dos filas iguales.
4. 0 por tener una fila de ceros.
5. -38 por tener dos filas intercambiadas.
6. −56 porque det(AB) = det(A) det(B).

1
7. det A−1 = 51 porque det A−1 = det(A) .
8. |A| = 4 × 1 × 5 × (−3) = −60 por ser triangular (observe que también es

diagonal).

Determinantes 89
2.2 Determinantes por cofactores
Definición 24 (Cofactor). Dada An×n = [aij ], se define el cofactor Aij asociado

a aij como
Aij = (−1)i+j det(Mij ) ,
donde Mij es la matriz obtenida de A al eliminar la fila i y la columna j.
Ejemplo 62. Si
 
3 1 0
 
0 −2 5 ,
A= 
2 0 0
entonces sus cofactores son:

−2 5
= (−1)1+1

A11 =1×0=0
0 0

1+2 0 5
A12 = (−1) = (−1) × (−10) = 10
2 0

0 −2
= (−1)1+3

A13 =1×4=4
2 0

2+1 1 0
A21 = (−1) = (−1) × 0 = 0
0 0

3 0
= (−1)2+2

A22 =1×0=0
2 0

2+3 3 1
A23 = (−1) = (−1) × (−2) = 2
2 0

1 0
= (−1)3+1

A31 =1×5=5
−2 5

3+2 3 0
A32 = (−1) = (−1) × 15 = −15
0 5

3 1
= (−1)3+3

A33 = 1 × (−6) = −6 .
0 −2
Ejercicio 99. Si
 
2 1 0
 
B=
0 −2 1 ,

3 5 0
determine sus cofactores.

Teorema 29. Sea An×n = [aij ], para cualquier fila (o columna), el determinante
de A es
n
X
det(A) = aij Aij i ∈ [1 . . . n]
j=1
n
X
det(A) = aij Aij j ∈ [1 . . . n] .
i=1
Ejemplo 63. Sea la matriz A del ejemplo 62, el determinante de A:
1. A lo largo de la primera fila es

3
X
det(A) = a1j A1j
j=1
= 3 × 0 + 1 × 10 + 0 × 4
= 10 .
2. A lo largo de la segunda fila es

3
X
det(A) = a2j A2j
j=1
= 0 × 0 + (−2) × 0 + 5 × 2
= 10 .
3. A lo largo de la tercera fila es

3
X
det(A) = a3j A3j
j=1
= 2 × 5 + 0 × (−15) + 0 × (−6)
= 10 .
Determinantes 91
Ejercicio 100. Sea B la matriz del ejercicio 99. Calcule su determinante por
cada una de las filas. ¿Por cuál fila considera que es mejor calcularlo?
Respuesta. det(B) = −7.
Teorema 30. Sea An×n = [aij ], entonces
n
X
aij Akj = 0, i, k ∈ [1 . . . n], i 6= k ;
j=1
n
X
aij Akj = 0, j, k ∈ [1 . . . n], j 6= k .
i=1
Ejemplo 64. Sea la matriz A del ejemplo 62, si multiplicamos los elementos de
la primera fila por los correspondientes cofactores de la fila 2, obtenemos
3
X
a1j A2j = 3 × 0 + 1 × 0 + 0 × 2
j=1
= 0.
Si multiplicamos los elementos de la primera fila por los correspondientes

cofactores de la fila 3, tenemos
3
X
a1j A3j = 3 × 5 + 1 × (−15) + 0 × (−6)
j=1
= 0.
De forma similar obtenemos que

3
X 3
X 3
X 3
X
a2j A1j = a2j A3j = a3j A1j = a3j A2j = 0 .
j=1 j=1 j=1 j=1
Ejercicio 101. Sea B la matriz del ejercicio 99. Verifique el teorema 30 en cada
una de sus filas.
Definición 25 (Matriz adjunta). Sea An×n = [aij ], entonces la adjunta de A,
adj(A), es
 
A11 A21 . . . An1
 
 A12 A22 . . . An2 
 
adj(A) =  . .. .. ..  ,
 .. . . . 
 
A1n A2n . . . Ann
donde Aij es el cofactor asociado a aij .
Ejemplo 65. En la matriz A del ejemplo 62, la adjunta de A es

 
0 0 5
 
adj(A) = 10 0 −15 .

4 2 −6
Ejercicio 102. Sea B la matriz del ejercicio 99, calcule adj(B).
Teorema 31. Dada An×n = [aij ], entonces
A (adj(A)) = (adj(A)) A = (det(A)) In .
Ejemplo 66. Sea A como en el ejemplo 62, entonces

  
3 1 0 0 0 5
  
A (adj(A)) = 
 0 −2 5  10 0 −15
 
2 0 0 4 2 −6
 
10 0 0
 
= 0 10 0 

0 0 10
= det(A)In .
Ejercicio 103. Sea B la matriz del ejercicio 99. Verifique el teorema 31.
Corolario 3. Sea An×n tal que det(A) 6= 0, entonces
1
A−1 = adj(A) .
det(A)
Prueba.
1 Sea An×n tal que det(A) 6= 0,
hipótesis
2
det(A)In = (adj(A))A, por teorema 31
3 1 1 y
2
In = det(A) adj(A)A, por
1
4
A−1 A = det(A) adj(A)A, pues In = A−1 A.
4 A−1 = 1
Entonces, de , det(A) adj(A).
Determinantes 93
" #
a b
Corolario 4. Sea A = tal que det(A) 6= 0, entonces
c d
" #
1 d −b
A−1 = .
ad − bc −c a
#"
3 5
Ejemplo 67. Sea A = , entonces
3 7
" #
1 7 −5
A−1 = .
6 −3 3
Teorema 32. Una matriz An×n es invertible si y solo si su determinante es

diferente de cero.
Ejemplo 68. Como el determinante de la matriz A del ejemplo 62 es diferente
de cero, entonces su inversa existe y es
1
A−1 = adj(A)
det(A)
 
0 0 5
1  
= 10 0 −15 .
10  
4 2 −6
Ejercicio 104. Sea B la matriz del ejercicio 99. Determine su inversa empleando
cofactores. Verifique su respuesta calculando BB −1 .
Corolario 5. El sistema lineal An×n ~x = ~0 tiene solución no trivial si y solo si
det(A) = 0.
Ejemplo 69. Dado el sistema lineal homogéneo
2x1 + x2 + x3 = 0
2x1 − x2 + x3 = 0
4x1 + 2x3 = 0 .
Entonces,
 
2 1 1
 
A=
 2 −1 1 
 y det(A) = 0 .
4 0 2
Luego, el sistema tiene solución no trivial.

Al solucionar este sistema se encuentra que
   
x −r
 1  2 
x2  =  0  ,
~x =    
x3 r
es decir, el sistema tiene infinitas soluciones.
El corolario 5 implica que el sistema An×n~x = ~0 tiene únicamente solución

trivial si y solo si det(A) 6= 0.
Ejemplo 70. Dado el sistema lineal homogéneo
2x1 + x2 + x3 = 0
x1 − x2 − x3 = 0
4x1 − x2 + 2x3 = 0 .
Entonces,
 
2 1 1
 
A=
1 −1 −1
 y det(A) = 9 .
4 −1 2
Luego, existe una única solución: la trivial.

Efectivamente, al solucionar este sistema se encuentra que
   
x 0
 1  
~x = x2  = 0
  
.
x3 0
Ejemplo 71 (Cofactores). Dada la matriz

 
2 0 4
 
A= 3 2 −1 .

1 0 5
Encontrar:
Determinantes 95
1. Los cofactores de A
2. det(A)
3. adj(A)
4. A−1

5. det A−1 .
Solución.
1. Los cofactores de A son

2
2
−1
A11 = (−1) = (1)(10 − 0) = 10
0 5

3 −1
= (−1)3

A12 = (−1) [15 − (−1)] = −16
1 5

2
4 3
A13 = (−1) = (1)(0 − 2) = −2
1 0

0 4
= (−1)3

A21 = (−1)(0 − 0) = 0
0 5

2 4
= (−1)4

A22 = (1)(10 − 4) = 6
1 5

2 0
= (−1)5

A23 = (−1)(0 − 0) = 0
1 0

0 4
= (−1)4

A31 = (1)(0 − 8) = −8
2 −1

2 4
= (−1)5

A32 = (−1)(−2 − 12) = 14
3 −1

2 0
= (−1)6

A33 = (1)(4 − 0) = 4 .
3 2
2. El determinante de A, por la primera fila, es

det(A) = (2)(10) + (0)(−16) + (4)(−2)
= 12 .
3. Ahora, la adj(A) es
 
10 0 −8
 
adj(A) = 
−16 6 .
14 
−2 0 4
4. La inversa de A es
 
0 −8 10
1 1  
A−1 = adj(A) = −16 6 14  .
det(A) 12  
−2 0 4
Al realizar AA−1 se obtiene I3 (por favor, verificarlo).
5. El determinante de A−1 es
1 1
|A−1 | = = .
|A| 12
Ejemplo 72 (Cofactores). Sea la matriz

 
1 −2 0
 
A= 0 3 .
2
−1 −1 −3
Encontrar:
1. Los cofactores de A
2. det(A) por cofactores
3. adj(A)
4. A−1

5. det A−1 .
Solución.
Determinantes 97
1. Los cofactores de A son

3 2
2
A11 = (−1) = (1) [−9 − (−2)] = −7
−1 −3

0 2
= (−1)3

A12 = (−1) [0 − (−2)] = −2
−1 −3

3
4 0
A13 = (−1) = (1) [0 − (−3)] = 3
−1 −1

−2 0
= (−1)3

A21 = (−1) [6 − (−0)] = −6
−1 −3

0
4 1
A22 = (−1) = (1)(−3 − 0) = −3
−1 −3

1 −2
= (−1)5

A23 = (−1)(−1 − 2) = 3
−1 −1

4 −2 0

A31 = (−1) = (1)(−4 − 0) = −4
3 2

1 0
= (−1)5

A32 = (−1)(2 − 0) = −2
0 2

6 1 −2

A33 = (−1) = (1)(3 − 0) = 3 .
0 3
2. El determinante de A es
det(A) = a11 A11 + a12 A12 + a13 A13

= 1 × (−7) + (−2) × (−2) + 0 × (3)
= −3 .
3. Ahora, la adj(A) es
 
−7 −6 −4
 
adj(A) = 
 −2 −3 −2 .

3 3 3
4. La inversa de A es
 
−7 −6 −4
1 1 
A−1 = adj(A) = −  .
−2 −3 −2
det(A) 3 
3 3 3
Al realizar AA−1 se obtiene I3 (por favor, verificarlo).
5. El determinante de A−1 es
1 1
|A−1 | = =− .
|A| 3

2.3 Regla de Cramer
La Regla de Cramer proporciona un método de solucionar sistemas lineales

A~x = ~b de n ecuaciones con n incógnitas siempre y cuando det(A) 6= 0.
Teorema 33. Dado el sistema de ecuaciones lineales
a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. ..
. . . .
an1 x1 + an2 x2 + · · · + ann xn = bn ,
que en forma abreviada es A~x = ~b, si det(A) 6= 0, entonces el sistema tiene

solución única dada por
det(Ai )
xi = ,
det(A)
donde Ai es la matriz obtenida de A al reemplazar la columna i por ~b.

Ejemplo 73 (Cramer ). Por el método de Cramer resolver
2x + 4y − z = 7
2y + z = 7
Determinantes 99
x + y = 3.
Solución. Primero encontremos el determinante de la matriz de coeficientes:

 
2 4 −1
 
A= 0 2 1 
 y |A| = (0 + 0 + 4) − (−2 + 2 + 0)
1 1 0 = 4.
Como el determinante de A es diferente de cero, entonces el sistema sı́ se puede

resolver por la Regla de Cramer. Ahora encontremos los determinantes de A1 ,
A2 y A3 , y los valores de x, y y z:
1.
 
7 4 −1
 
A1 = 
7 2 1 
 y |A1 | = (0 − 7 + 12) − (−6 + 7 + 0)
3 1 0 = 4.
|A1 | 4
Entonces x = |A| = 4 = 1.
2.
 
2 7 −1
 
A2 = 
 0 7 1 
 y |A2 | = (0 + 0 + 7) − (−7 + 6 + 0)
1 3 0 = 8.
|A2 | 8
Entonces y = |A| = 4 = 2.
3.
 
2 4 7
 
A3 = 
0 2 7
 y |A3 | = (12 + 0 + 28) − (14 + 14 + 0)
1 1 3 = 12 .
|A3 | 12
Entonces z = |A| = 4 = 3.
De esta forma,
   
x 1
   
y  = 2 .
~x =    
z 3
Ejercicio 106. Verificar la respuesta del ejemplo 73.
Ejercicio 107 (Cramer ). Por el método de Cramer resolver
3x1 + 4x2 − x3 = 2
x1 + x3 = 2
2x1 − 3x2 = −3 .
Respuesta. ~x = [x1 , x2 , x3 ]T = [0, 1, 2]T .
Ejemplo 74 (Cramer ). Por el método de Cramer resolver
x + 3y + 7z = 11
−2x − 4z = −6
−x + 3y + 3z = 5 .
Solución. Calculamos el det(A), por cofactores, por la segunda fila

 
1 3 7
 
A=  −2 0 −4 

−1 3 3

3 7
A21 = (−1)3

= (−1)(9 − 21) = 12
3 3

1 3
A23 = (−1)5

= (−1)(3 + 3) = −6 .
−1 3
Entonces
det(A) = (−2)(12) + (0)A22 + (−4)(−6)

= −24 + 24
= 0.
Como det(A) = 0, entonces no se puede resolver por la regla de Cramer.
Ejercicio 108. Resolverlo por Gauss–Jordan.

Determinantes 101
2.4 Uso de determinantes para calcular áreas en R2
El área de un triángulo (△) en R2 , con vértices en P1 = (x1 , y1 ), P2 = (x2 , y2 ) y

P3 = (x3 , y3 ), está dado por
  
x1 y 1 1
1   
A△ = abs  det  x2 y2 1 ,
2    
x3 y 3 1
donde abs() es la función valor absoluto.

Deduzcamos la anterior ecuación. Para ello recuerde que el área de un trapecio
es la semisuma de las bases multiplicada por la altura. Observe la figura 2.1.
P2 = (x2,y2)
P3 = (x3,y3)
P1 = (x1,y1)
a = (x3,0) b = (x2,0) c = (x1,0)
Figura 2.1: área de un triángulo en R2
A△ = AaP3 P2 b + AbP2 P1 c − AaP3 P1 c

= 12 ((y3 + y2 )(x2 − x3 )) + 12 ((y2 + y1 )(x1 − x2 )) − 12 ((y1 + y3 )(x1 − x3 ))

= 12 (y3 x2 − y3 x3 + y2 x2 − y2 x3 ) + (y2 x1 − y2 x2 + y1 x1 − y1 x2 )−

(y1 x1 − y1 x3 + y3 x1 − y3 x3 )

= 12 (x1 y2 + x2 y3 + x3 y1 ) − (y1 x2 + y2 x3 + y3 x1 )

x1 y1 1

= 12 x2 y2 1 .

x3 y3 1
Como el determinante puede ser negativo, pero el área no, se toma el valor
absoluto; luego
  
x1 y 1 1
1   
A△ = abs det x2 y2 1 .
2   
x3 y 3 1
Ejemplo 75 (Área de un triángulo en R2 ). Determinar el área del triángulo con

vértices en P1 = (1, 5), P2 = (2, 1) y P3 = (7, 2) representado en la figura 2.2.
P1 = (1, 5)
P3 = (7, 2)
P2 = (2, 1)
Figura 2.2: área de un triangulo en R2
Solución.
 
1 5 1
1   
A△ = abs  det 2 1 1
2   
7 2 1
= abs ((1 + 4 + 35) − (7 + 2 + 10))
= 21 .
Ejemplo 76 (Área de un paralelogramo en R2 ). Determinar el área del parale-

logramo con vértices en P1 = (10, 1), P2 = (8, 5), P3 = (−1, 3) y P4 = (1, −1)
representado en la figura 2.3.
——
Solución. La diagonal P1 P3 divide el paralelogramo P1 P2 P3 P4 en dos △s iguales.
Entonces, busquemos el área del triángulo P1 P2 P3 y lo multiplicamos por dos
Determinantes 103
P2 = (8, 5)
P3 = (-1, 3)
P1 = (10, 1)
P4 = (1, -1)
Figura 2.3: área de un paralelogramo en R2
para obtener el área buscada.

 
x y1 1
1   1 
AP1 P2 P3 = abs det x2
   y2 1 
2 
x3 y3 1
  
10 1 1
1   
= abs det  8
   5 1 
2 
−1 3 1
1
= abs [(50 + 24 − 1) − (−5 + 30 + 8)]
2
1
= abs(73 − 33)
2
= 20 unidades cuadradas.
Luego el área del paralelogramo P1 P2 P3 P4 es 2 × 20 = 40.
Ejercicio 110 (Área de un paralelogramo en R2 ). Determinar el área del para-

lelogramo con vértices en A = (2, 3), B = (5, 4), C = (4, 5) y D = (7, 6).
Respuesta. 4
Unidad 3
Vectores en Rn
Los vectores pueden representar entes fı́sicos como: la posición, la velocidad o

la aceleración de un cuerpo, un conjunto de apuntadores de memoria en compu-
tación, la producción de una marca por diferentes sedes de una empresa, la elabo-
ración de diferentes productos por una máquina en una empresa manufacturera,
las notas de los estudiantes de una asignatura, etcétera. También, mediante vec-
tores podemos determinar la ecuación de un plano, la ecuación de una recta,
áreas y volúmenes, entre otros.
Para el desarrollo de esta unidad se recomienda que el alumno, por cuenta
propia, estudie la sección 3.1 y, por tanto, que el profesor comience sus explica-
ciones en la sección 3.2.
3.1 Vectores en R2
Definición 26 (Vector en R2 ). En R2 , un vector es de la forma

" #
u1
~u = con u1 , u2 ∈ R.
u2
Denotaremos cada vector con una letra minúscula y una flecha encima, por
ejemplo ~u, ~v , w,
~ ~x, ~y y ~z representan vectores.
Ejemplo 77. Son vectores en R2 :
" # " # " #
3 3 1
~u = , ~v = y w
~= .
2 0 −5
Los vectores en R2 tienen una correspondencia unı́voca con los puntos del
plano cartesiano, por lo tanto, también es frecuente escribir cada vector en R2
como un par ordenado (x, y) y representarlo gráficamente.
" # " # " #
2 −3 0
Ejemplo 78. Los vectores ~u = , ~v = yw~ = son representados
0 1 −4
en la figura 3.1
v = (-3,1)
u = (2,0)
w =(0,-4)
Figura 3.1: vectores en R2
y pueden ser escritos como

~u = (2, 0), ~ = (0, −4) .
~v = (−3, 1) y w
Ejercicio 111. Piense en tres vectores en R2 , escrı́balos de acuerdo a la defini-
ción, también como pares ordenados y represéntelos gráficamente.
Caracterı́sticas de los vectores en R2 . Observe la figura 3.2.
1. Cola: parte inicial del vector

2. Cabeza: parte final del vector
3. Dirección: ángulo θ entre el vector y el eje positivo x
4. Magnitud o norma: es la longitud del vector.
Ejemplo 79. El vector ~u de la figura 3.3 tiene cola en (2, −1) y cabeza en
(−3, 2). Su dirección está dada por el ángulo θ formado entre la recta paralela
al eje positivo x y el propio vector.
Nota. Tal como se observa en este ejemplo, no es necesario que la cola de un
vector esté localizada en (0, 0), pero sı́ es lo más conveniente.
Vectores en Rn 107
d Cabeza
nitu
}
g
Ma
θ
Cola
Direccion
Figura 3.2: vector en R2
(-3,2)
θ
(2,-1)
Ejercicio 112. Dibuje el vector que tiene cola en (1, −1) y cabeza en (−1, 4).
Definición 27 (Distancia entre dos puntos en R2 ). Lap distancia entre los puntos
(u1 , u2 ) y (v1 , v2 ) pertenecientes a R2 es d =k ~u −~v k= (u1 − v1 )2 + (u2 − v2 )2 ,
donde ~u = (u1 , u2 ), ~v = (v1 , v2 ) y k ~u − ~v k es la norma del vector ~u − ~v .
Ejemplo 80. Encontrar la distancia entre (−3, 2) y (2, −1).

Solución.
q
d= (−3 − 2)2 + (2 − (−1))2
p
= (−5)2 + (3)2
√
= 34 .
√
Observe que 34 es la longitud del vector dado en el ejemplo 79.
Ejercicio 113. Calcule la distancia entre los puntos (1, 1) y (5, −2).
Respuesta. 5.
Definición 28 (Longitud de un vector en R2 ). La longitud (magnitud o norma)

de un vector ~u = (u1 , u2 ) ∈ R2 es
q
k ~u k= u21 + u22 .
Ejemplo 81. Encontrar la magnitud del vector ~u = (−2, 3).

Solución.
p
k ~u k = (−2)2 + (3)2
√
= 13 .
Ejercicio 114. Calcular la magnitud del vector ~v = (−3, 6).

√
Respuesta. 3 5.
Definición 29 (Vectores iguales en R2 ). Dos definiciones:
1. Dos vectores ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son iguales si u1 = v1 y u2 = v2 .
2. Dos vectores ~u, ~v ∈ R2 son iguales si tienen igual dirección e igual magnitud.
Ejemplo 82. ¿Son los vectores ~u, ~v , representados en la figura 3.4, iguales?
(1,5)
v
(4,3)
θ2
(-3,2) u
θ1
(0,0)
Figura 3.4: dos vectores iguales en R2
Solución.
p
1. La norma de ~u es k ~u k= (4 − 0)2 + (3 − 0)2 = 5.
Vectores en Rn 109

2. La dirección de ~u es θ1 = tan−1 34 .
p
3. La norma de ~v es k ~v k= (1 − (−3))2 + (5 − 2)2 = 5.

5−2
4. La dirección de ~v es θ2 = tan−1 1−(−3) = tan−1 34 .
Como los dos vectores tienen igual longitud, k ~u k=k ~v k, e igual dirección,
θ1 = θ2 , entonces ~u = ~v .
Otra forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen. Ello se
logra restándole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5) − (−3, 2)
= (1 − (−3), 5 − 2)
= (4, 3) ,
que son las mismas coordenadas del vector ~u. Luego, ~u y ~v son iguales.
Definición 30 (Suma de vectores en R2 ). Dados ~u = (u1 , u2 ) y ~v = (v1 , v2 ) ∈ R2 ,

se define su suma como
" # " # " #
u1 v1 u1 + v1
~u + ~v = + = .
u2 v2 u2 + v2
En la figura 3.5 se muestra gráficamente su suma.
v
+
v u
Figura 3.5: suma de vectores en R2

Ejemplo 83. Encontrar la suma de los vectores ~u = (3, −2) y ~v = (−3, 6).
Solución.
" # " #
3 −3
~u + ~v = +
−2 6
" #
0
= .
4
La figura 3.6 representa su suma.
(-3,6)
u +v
v
u
(3,-2)
Figura 3.6: suma de vectores en R2
Ejercicio 115. Determinar la suma de los vectores ~u = (2, 3) y ~v = (−1, 2).

Dibujar ~u, ~v y su suma.
Respuesta. (1, 5).
Definición 31 (Multiplicación de un escalar por un vector en R2 ). Sea ~u =

(u1 , u2 ) ∈ R2 y c un escalar, entonces
" # " #
u1 cu1
c~u = c = .
u2 cu2
Vectores en Rn 111
Ejemplo 84. Si c = −3 y ~u = (3, 5), entonces

" # " # " #
3 −3 × 3 −9
c~u = −3 = = .
5 −3 × 5 −15
Ejercicio 116. Si c = 2, ~u = (−2, 4) y ~v = (3, −7), determinar c(~u + ~v ).

Respuesta. (2, −6).
Definición 32 (Inverso de un vector en R2 ). El inverso de ~u = (u1 , u2 ) es

−~u = (−u1 , −u2 ).
Ejemplo 85. En el ejemplo 83, encontrar ~u + (−~v ) y graficarlo.

Solución.
" # " #!
3 −3
~u + (−~v ) = + −
−2 6
" # " #
3 3
= +
−2 −6
" #
6
= .
−8
El vector ~u + (−~v ) es representado en la figura 3.7.
Nota. Para abreviar, escribiremos ~u + (−~v ) como ~u − ~v .
Ejercicio 117. Ahora, en el ejemplo 83, determine ~v − ~u y grafı́quelo.

Respuesta. (−6, 8)
Definición 33 (Vector nulo en R2 ). El vector nulo en R2 es

" #
~0 = 0
.
0
Definición 34 (Producto escalar en R2 ). Sean los vectores ~u = (u1 , u2 ) y ~v =

(v1 , v2 ) ∈ R2 , se define su producto escalar como
~u · ~v = u1 v1 + u2 v2 .
u
(3,-2)
-v
u -v
(6,-8)
Figura 3.7: suma del inverso (resta) de un vector en R2
Ejemplo 86. Sean ~u = (2, 5) y ~v = (3, −2), entonces
~u · ~v = 2 × 3 + 5 × (−2)
= 6 − 10
= −4 .
p
2 2 u21 + u22 ,
Nota. Si ~u = (u√1 , u2 ), entonces ~u · ~u = u1 + u2 ; y como k ~u k=
entonces k ~u k= ~u · ~u.
Ejercicio 118. Dados los vectores ~u = (3, 4), ~v = (2, −3) y w

~ = (0, 4), determine
~u · ~u, ~v · ~v , w
~ · w,
~ ~u · ~v , ~u · w
~ y ~v · w.
~
Respuesta. 25, 13, 16, −6, 16 y −12, respectivamente.
Teorema 34 (Propiedades del producto escalar en R2 ). Si ~u, ~v , w

~ ∈ R2 y c es
un escalar, entonces
1. ~u · ~u > 0 y ~u · ~u = 0 si y solo si ~u = ~0
2. ~u · ~v = ~v · ~u
3. (~u + ~v ) · w
~ = ~u · w
~ + ~v · w
~
4. c(~u · ~v ) = (c~u) · ~v = ~u · (c~v ).

Vectores en Rn 113
Prueba de 1.
1 Sea ~u = (u1 , u2 ) ∈ R2 ,
hipótesis
2
~u · ~u = (u1 , u2 ) · (u1 , u2 ), 1
por
3
= u21 + u22 , definición de producto escalar
4
> 0, pues u21 > 0 y u22 > 0.
Luego, ~u · ~u > 0.
De 3 se deduce que u21 + u22 = 0 si y solo si u1 = 0 y u2 = 0, es decir, si y solo
si ~u = (0, 0).
Ejemplo 87. Si ~u = (−3, 5), verificar que ~u · ~u > 0.

Solución.
~u · ~u = (−3, 5) · (−3, 5)
= (−3) × (−3) + 5 × 5
= 34 > 0 .
Ejercicio 119. Dé un ejemplo de la parte 1 del teorema 34.
Prueba de 2.
1 Sean ~u = (u1 , u2 ) y ~v = (v1 , v2 ) ∈ R2 ,
hipótesis
2
~u · ~v = (u1 , u2 ) · (v1 , v2 ), 1
por
3
= u1 v1 + u2 v2 , definición de producto escalar
4
= v1 u 1 + v2 u 2 , conmutatividad en R
5
= (v1 , v2 ) · (u1 , u2 ), definición de producto escalar
6
= ~v · ~u, 1
por .
2 a ,
Por 6 ~u · ~v = ~v · ~u.
Ejemplo 88. Si ~u = (−3, 2) y ~v = (1, 4), verificar que ~u · ~v = ~v · ~u.

Solución.
~u · ~v = (−3, 2) · (1, 4)
= (−3) × 1 + 2 × 4
= 5.
Ahora,
~v · ~u = (1, 4) · (−3, 2)
= 1 × (−3) + 4 × 2
= 5.
Hemos verificado que ~u · ~v = ~v · ~u.
Prueba de 3.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) y w
~ = (w1 , w2 ) ∈ R2 , hipótesis

2 (~u + ~v ) · w
~ = (u1 , u2 ) + (v1 , v2 ) · (w1 , w2 ), 1
por
3
= (u1 + v1 , u2 + v2 ) · (w1 , w2 ), suma de vectores
4
= (u1 + v1 )w1 + (u2 + v2 )w2 , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2 , distributividad en R
6
= u1 w1 + u2 w2 + v1 w1 + v2 w2 , conmutatividad en R
7
= (u1 , u2 ) · (w1 , w2 ) + (v1 , v2 ) · (w1 , w2 ) producto escalar
8
= ~u · w
~ + ~v · w, 1
por .
2 a ,
Luego, por 8 (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~
~ = (1, 4), verificar que (~u + ~v ) · w

Ejemplo 89. Si ~u = (4, 3), ~v = (0, 2) y w ~ =
~u · w
~ + ~v · w.
~
Solución.
(~u + ~v ) · w
~ = [(4, 3) + (0, 2)] · (1, 4)
= (4, 5) · (1, 4)
=4×1+5×4
= 24 .
Ahora,
~u · w
~ + ~v · w
~ = (4, 3) · (1, 4) + (0, 2) · (1, 4)
= (4 × 1 + 3 × 4) + (0 × 1 + 2 × 4)
= 16 + 8
= 24 .
Hemos verificado que (~u + ~v ) · w

~ = ~u · w
~ + ~v · w.
~

Vectores en Rn 115
Ejercicio 122. Si usted tuviese que realizar un algoritmo, para implementar

en un computador, y se viera enfrentado a realizar ~u · w~ + ~v · w
~ varios millones
de veces, ¿realizarı́a esta operación? o mejor ¿realizarı́a (~u + ~v ) · w?
~ o ¿Serı́a
indiferente realizar cualquiera de las dos operaciones? Explique su respuesta.
Prueba de 4.
1 Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 y c un escalar,
hipótesis
2
(c~u) · ~v = (c(u1 , u2 )) · (v1 , v2 ), 1
por
3
= (cu1 , cu2 ) · (v1 , v2 ), escalar por un vector
4
= (cu1 )v1 + (cu2 )v2 , producto escalar
5
= c(u1 v1 ) + c(u2 v2 ), asociatividad en R
6
= c(u1 v1 + u2 v2 ), factor común
7
= c((u1 , u2 ) · (v1 , v2 )), producto escalar
8
= c(~u · ~v ), 1
por .
2 a ,
Ası́, por 8 (c~u) · ~v = c(~u · ~v ).
Nota. (c~u) · ~v = ~u · (c~v ) se prueba en forma similar.
Ejemplo 90. Si c = −2, ~u = (3, −2) y ~v = (1, 3), verificar que (c~u) · ~v = c(~u · ~v ).
Solución.
(c~u) · ~v = [(−2)(3, −2)] · (1, 3)

= (−6, 4) · (1, 3)
= (−6) × 1 + 4 × 3
= 6.
Ahora,
c(~u · ~v ) = (−2)[(3, −2) · (1, 3)]

= (−2)(3 × 1 + (−2) × 3)
= (−2)(−3)
= 6.
Hemos verificado que (c~u) · ~v = c(~u · ~v ).

Teorema 35 (Ángulo entre dos vectores en R2 ). Dados los vectores ~u = (u1 , u2 )

y ~v = (v1 , v2 ) no nulos, el coseno del ángulo formado entre ellos es
~u · ~v
cos θ = .
k ~u k k ~v k
Prueba.
Primero observe la figura 3.8
(v1,v2)
v u -v
(u1,u2)
θ u
Figura 3.8: ángulo entre vectores en R2
1
Sean ~u = (u1 , u2 ) 6= ~0 y ~v = (v1 , v2 ) 6= ~0 ∈ R2 , hipótesis
2
k ~u − ~v k2 = (u1 − v1 )2 + (u2 − v2 )2 , distancia entre 2 puntos
3
k ~u − ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, ley del coseno
4
(u1 − v1 )2 + (u2 − v2 )2 =
k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ, 2 =
3
5
(u21 − 2u1 v1 + v12 ) + (u22 − 2u2 v2 + v22 ) =
(u21 + u22 ) + (v12 + v22 ) − 2 k ~u kk ~v k cos θ, 4
resolviendo
−2(u1 v1 + u2 v2 )
6
= cos θ, 5
simplificando .
−2 k ~u kk ~v k
u·~
~ v
Ası́, cos θ = k~
ukk~vk .
Ejemplo 91. Encontrar el ángulo θ entre los vectores ~u y ~v de la figura 3.9

Solución. Traslademos el vector ~v al origen denotándolo como w
~
~ = (2 − 1, 4 − 2) = (1, 2) .
w
Vectores en Rn 117
(2,4)
v
(5,2)
(1,2)
u
Figura 3.9: ángulo entre vectores en R2
Como w
~ = ~v , entonces tienen igual dirección. Luego, el ángulo entre ~u y w
~ es

~u · w
~
θ = cos−1
k ~u kk w ~k

−1 (5, 2) · (1, 2)
= cos √ √
52 + 22 12 + 22

−1 5+4
= cos √ √
29 5

−1 9
= cos √ .
29 × 5
Ejercicio 124. Determinar el ángulo θ entre los vectores ~u = (3, 4) y ~v = (1, 5).

23
Respuesta. cos−1 √ .
5 26
Definición 35 (Vectores ortogonales en R2 ). Dos vectores no nulos ~u, ~v ∈ R2
son ortogonales si forman un ángulo recto.
π
Nota. Si ~u y ~v son ortogonales, entonces el ángulo entre ellos es 2, luego
π
~u · ~v
cos 2 = = 0,
k ~u kk ~v k
lo que implica que su producto escalar es cero, es decir, ~u · ~v = 0.
Ejemplo 92. Los vectores ~u = (3, 5) y ~v = (−5, 3) de la figura 3.10 son ortogo-
nales, pues
~u · ~v = (3, 5) · (−5, 3)
= −15 + 15 = 0 .
(3,5)
(-5,3)
u
v
Figura 3.10: vectores ortogonales en R2
Ejercicio 125. ¿Son los vectores ~u = (2, −3) y ~v = (3, 2) ortogonales? Explique
porqué. Dibújelos.
Definición 36 (Vectores paralelos en R2 ). Dos definiciones:
1. Dos vectores no nulos ~u, ~v ∈ R2 son paralelos si el ángulo θ entre ellos es

cero o π, es decir, si ~u · ~v =k ~u kk ~v k o ~u · ~v = − k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v ∈ R2 son paralelos si ∃c ∈ R tal que ~u = c~v .
Ejemplo 93. Los vectores ~u = (2, −3) y ~v = (−6, 9) son paralelos pues:
Su producto escalar es
~u · ~v = 2 × (−6) + (−3) × 9
= −12 − 27
= −39 ,
y el producto de sus normas es

p p
k ~u kk ~v k = (2)2 + (−3)2 (−6)2 + (9)2
Vectores en Rn 119
√ √
= 13 117
√
= 13 × 117
p
= 13 × (13 × 9)
= 13 × 3
= 39 .
Como (~u · ~v ) = −39 = − k ~u kk ~v k, entonces ~u y ~v son paralelos.

Observe que ~u = − 31 ~v . En la figura 3.11 se muestran estos vectores.
Figura 3.11: vectores paralelos en R2

Esta figura no corresponde
Ejercicio 126. ¿Son los vectores ~u = (2, 5) y ~v = (6, 15) paralelos? Justifique
su respuesta.
Definición 37 (Vectores con igual dirección en R2 ). Dos definiciones:
1. Dos vectores no nulos ~u, ~v ∈ R2 tienen igual dirección si el ángulo θ entre

ellos es cero, es decir, si ~u · ~v =k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v ∈ R2 tienen igual dirección si ∃c ∈ R, c > 0, tal

que ~u = c~v .
De la anterior definición podemos concluir que si dos vectores tiene igual

dirección, entonces también son paralelos.
Ejemplo 94. Los vectores ~u = (8, 4) y ~v = (2, 1) tienen igual dirección pues
~u · ~v = 8 × 2 + 4 × 1
= 16 + 4
= 20 ,

p p
k ~u kk ~v k = 82 + 42 22 + 12
√ √
= 64 + 16 4 + 1
√ √
= 80 5
√
= 16 × 5 × 5
=4×5
= 20 .
Como ~u · ~v = 20 =k ~u kk ~v k, entonces ~u y ~v tienen igual dirección.
Observe que ~u = 4~v y que, además, estos dos vectores también son paralelos.
En la figura 3.12 se ilustra este ejemplo.
Figura 3.12: vectores con igual dirección en R2
Ejercicio 127. ¿Tienen los vectores ~u = (2, 4) y ~v = (8, 16) igual dirección?
Justifique su respuesta.
Definición 38 (Vector unitario en R2 ). Un vector unitario en R2 es aquel cuya
magnitud es uno.
Ejemplo 95. Encontrar un vector unitario w
~ en la dirección de ~u = (−1, 3).
Solución. La magnitud de ~u es
p √
k ~u k = (−1)2 + 32 = 10 ,
Vectores en Rn 121

~u (−1, 3) −1 3
w
~= = √ = √ ,√ ,
k ~u k 10 10 10
entonces w
~ es un vector unitario en la dirección de ~u.
Ejercicio 128. Encontrar un vector unitario w
~ en la dirección de ~u = (−3, 4).
Solución. (−3/5, 4/5).
Definición 39 (Vectores coordenados unitarios en R2 ). En R2 existen dos vecto-
res importantes llamados vectores coordenados unitarios: ı̂ = (1, 0) y ̂ = (0, 1).
La figura 3.13 ilustra estos vectores.
j
i
Figura 3.13: vectores coordenados unitarios en R2
En términos de los vectores coordenados unitarios se puede expresar fácil-

mente cualquier otro vector en R2 .
Ejemplo 96. Expresar el vector ~u = (3, −4) en términos de ı̂ y ̂.
Solución.
~u = (3, −4)
= (3, 0) + (0, −4)
= 3(1, 0) + (−4)(0, 1)
= 3ı̂ + (−4)̂
= 3ı̂ − 4̂ .
Ejercicio 129. Expresar el vector ~u = (−5, 8) en términos de ı̂ y ̂.
A continuación veamos dos ejemplos prácticos de aplicación de vectores en R2 .

Ejemplo 97. Suponga que la tierra es plana y que usted se encuentra en la casa
de una granja y un amigo requiere de su ayuda. Él, vı́a telefónica, le ha dicho
que se encuentra a 10 kilómetros de “distancia”. Su misión es encontrarlo.
Esta información no es precisa para localizar inmediatamente al amigo. Si solo
tuviera este dato, requerirı́a desplazarse, en cualquier dirección, 10 kilómetros
y comenzar a caminar describiendo una circunferencia con centro en la casa (la

distancia a recorrer serı́a menor a 20π km que es la longitud de la circunferencia).
Usted requiere saber en qué “dirección” ha de empezar a caminar, es decir, usted
requiere un vector de tamaño dos. La figura 3.14 ilustra este caso.
Casa
10 Km
Figura 3.14: necesidad de una longitud y una dirección
Ejemplo 98 (Fuerzas). Cuando varias fuerzas actúan sobre un cuerpo se obtiene

una sola fuerza llamada fuerza resultante. Por ejemplo, una silla es halada por
dos personas, una lo hace en sentido norte y la otra en sentido oeste tal como se
indica en la figura 3.15.
f 1=12 N
f 2=16 N Silla
Figura 3.15: vectores representando una silla halada por dos personas
Si la primera persona aplica una fuerza f~1 de 12 newtons y la segunda una

fuerza f~2 de 16 newtons, ¿cuál es la fuerza resultante y en qué dirección?
Solución. Representando los vectores en el plano cartesiano se obtiene que f~1 =
(0, 12) y f~2 = (−16, 0). Sea f~ la fuerza resultante, entonces su magnitud es
p
k f~ k = (0 − (−16)2 + (12 − 0)2
√
= 256 + 144
= 20 .
La dirección está dada por

−1 12 −1 3
θ = tan = tan − .
−16 4
Vectores en Rn 123
La figura 3.16 muestra el vector resultante
f =20 N f 1=12 N
θ
Silla
f 2=16 N
Figura 3.16: fuerza resultante de una silla halada por dos personas
Ejercicio 130. Si f1 = 6 N en sentido este y f2 = 8 N en sentido sur, ¿cuál es

la fuerza resultante y en qué dirección?

3.2 Vectores en Rn
Definición 40. Un vector ~u en Rn es un arreglo de la forma

 
u1
 
 u2 
 
~u =  .  ≡ (u1 , u2 , . . . , un ) ,
 .. 
 
un
donde u1 , u2 , . . . , un ∈ R.
Ejemplo 99.
1. Un vector en R5 es ~u = (3, 0, −8, 2, 1).
2. Un vector en R4 es ~v = (1, 0, 3, −2).

 
0
3
 
3. Un vector en R es w ~ = 2

.
1
4. Un vector en R6 es ~0 = (0, 0, 0, 0, 0, 0).

Caracterı́sticas de los vectores en Rn

Al igual que en R2 , en Rn los vectores poseen ciertas caracterı́sticas: cola, cabeza,
dirección y longitud (llamada también magnitud o norma). Por ejemplo, la figura
3.17 muestra un vector en R3 .
z
itud Cola
Magn
}
θ y
Angulo con el eje x

Cabeza
x
Ejemplo 100. Dibujar el vector ~u = (2, 3, 4).
z
(2,3,4)
Ejercicio 132. Dibujar los vectores ~u1 = (2, −3, 2), ~u2 = (2, 3, −2) y ~u3 =
(−1, 1, 2).
Definición 41 (Dirección de un vector en R3 y ángulos directores). La di-
rección de un vector ~v en R3 se define como el vector unitario ~u = k~~vvk =
(cos α, cos β, cos γ), donde α, β, γ, llamados ángulos directores, son los ángulos
formados por el vector ~v con los ejes x, y, z, respectivamente.
√ √
Ejemplo 101. La dirección del vector ~v = (3, 2, 3) es ~u = k~~vvk = 43 , 12 , 43 .
√
Y sus ángulos directores son: α = cos−1 34 , β = cos−1 12 y γ = cos−1 43 .
Vectores en Rn 125
Ejercicio 133. Sean ~v = (−2, 2, 1), determinar la dirección de ~v y sus ángulos

directores.
Definición 42 (Distancia entre dos puntos en Rn ). Dados los puntos (u1 , u2 , . . . , un )

y (v1 , v2 , . . . , vn ) ∈ Rn , su distancia se define como
p
d =k ~u − ~v k= (u1 − v1 )2 + (u2 − v2 )2 + · · · + (un − vn )2 ,
donde ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) y k ~u − ~v k es la norma del vector

~u − ~v .
Ejemplo 102. Sean ~u = (3, 4, 1, −2) y ~v = (3, 0, −2, 1), encontrar k ~u − ~v k.

Solución.
p
d =k ~u − ~v k = (3 − 3)2 + (4 − 0)2 + (1 − (−2))2 + (−2 − 1)2
√
= 0 + 16 + 9 + 9
√
= 34
√
= 2 × 17 .
Ejercicio 134. Sean ~u = (0, −2, 3, 1) y ~v = (1, −2, 5, 3), encontrar k ~u − ~v k.

Respuesta. 3.
Definición 43 (Longitud de un vector en Rn ). La longitud (magnitud o norma)

de un vector ~u = (u1 , u2 , . . . , un ) ∈ Rn es
q
k ~u k= u21 + u22 + · · · + u2n .
Ejemplo 103. Encontrar la magnitud del vector ~u = (3, −3, 0, 5).

Solución.
p
k ~u k = 32 + (−3)2 + 02 + 52
√
= 43 .
Ejercicio 135. Sea ~u = (1, −2, 0, 1, 3), determinar su magnitud.

√
Respuesta. 3 × 5.
Definición 44 (Vectores iguales en Rn ). Dos definiciones:
1. Dos vectores ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn son iguales si

u1 = v1 , u2 = v2 , . . ., un = vn .
z
v
u y
Figura 3.19: dos vectores iguales en R3
2. Dos vectores ~u, ~v ∈ Rn son iguales si tienen igual dirección e igual magnitud.
Ejemplo 104. ¿Son los vectores ~u = (4, 3, 2) y ~v con cabeza en (1, 5, 2) y cola
en (−3, 2, 0), representados en la figura 3.19, iguales?
Solución. Una forma sencilla de saber si ~v es igual a ~u es trasladar ~v al origen.
Ello se logra restándole a las coordenadas de la cabeza, las de la cola. Veamos:
~v = (1, 5, 2) − (−3, 2, 0)
= (1 − (−3), 5 − 2, 2 − 0)
= (4, 3, 2) ,
que son las mismas coordenadas del vector ~u. Luego, ~u y ~v sı́ son iguales.
Ejercicio 136. Sea ~u = (2, −1, 3), graficar ~u y determinar:
1. Un vector ~u1 igual a ~u con cola en (1, 0, 0) y dibujarlo.

Definición 45 (Suma de vectores en Rn ). Dados los vectores ~u = (u1 , u2 , . . . , un )
y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , entonces se define su suma como
     
u1 v1 u 1 + v1
     
 u2   v2   u2 + v2 
     
~u + ~v =  .  +  .  =  .. .
 ..   ..   . 
     
un vn un + vn
Vectores en Rn 127
Ejemplo 105. Encontrar la suma de ~u = (4, 5, −2, 1) y ~v = (2, 3, 0, −1).

Solución.
~u + ~v = (4, 5, −2, 1) + (2, 3, 0, −1)
= (4 + 2, 5 + 3, −2 + 0, 1 + (−1))
= (6, 8, −2, 0) .
Ejercicio 137. Escriba tres vectores ~u1 , ~u2 , ~u3 ∈ R5 y determine ~u1 +~u1 , ~u1 +~u2 ,
~u1 + ~u3 , ~u2 + ~u2 , ~u2 + ~u3 y ~u3 + ~u3 .
Definición 46 (Multiplicación de un escalar por un vector en Rn ). Sea ~u =
(u1 , u2 , . . . , un ) ∈ Rn y c un escalar, entonces
   
u1 cu1
   
 u2   cu2 
   
c~u = c  .  =  .  .
 ..   .. 
   
un cun
Ejemplo 106. Si c = 3 y ~u = (3, 5, −2, 4), entonces
     
3 3×3 9
     
 5   3 × 5   15 
−2 = 3 × (−2) = −6 .
c~u = 3      
     
4 3×4 12
Ejercicio 138. Dados c = −2 y los vectores ~u = (1, −2, 4, 1) y ~v = (−1, 3, −2, 0)
determine c(~u + ~v ).
Respuesta. (0, −2, −4, −2).
Definición 47 (Inverso de un vector en Rn ). El inverso de ~u = (u1 , u2 , . . . , un )
es −~u = (−u1 , −u2 , . . . , −un ).
Al igual que en R2 , en Rn denotaremos ~u + (−~v ) como ~u − ~v .
Ejemplo 107. El inverso del vector ~u = (6, 4, −3, 0, −2) es −~u = (−6, −4, 3, 0, 2).
Definición 48 (Vector nulo en Rn ). El vector nulo en Rn es
 
0
 
0
~0 = 
. .

 .. 
 
0
Definición 49 (Producto escalar en Rn ). Sean los vectores ~u = (u1 , u2 , . . . , un )

y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , se define su producto escalar como
n
X
~u · ~v = u1 v1 + u2 v2 + · · · + un vn = u i vi .
i=1
Ejemplo 108. Sean ~u = (2, 3, 1, −2, 0) y ~v = (3, 0, 1, 2, 5), entonces
~u · ~v = (2, 3, 1, −2, 0) · (3, 0, 1, 2, 5)

= 2 × 3 + 3 × 0 + 1 × 1 + (−2) × 2 + 0 × 5
= 6+0+1−4+0
= 3.
Ejercicio 139. Determine el producto escalar entre ~u = (1, 5, 3, −1, 0) y (2, 0, −2, 4, 15).
Respuesta. −8.
p
Nota. Como k ~u k= u21 + u22 + · · · + u2n y ~u · ~u = u21 + u22 + · · · + u2n , entonces
k ~u k2 = ~u · ~u .
Teorema 36 (Propiedades del producto escalar en Rn ). Si ~u, ~v ∈ Rn y c es un

escalar, entonces:
1. ~u · ~u > 0 y ~u · ~u = 0 si y solo si ~u = ~0
2. ~u · ~v = ~v · ~u
3. (~u + ~v ) · w
~ = ~u · w
~ + ~v · w
~
4. c(~u · ~v ) = (c~u) · ~v = ~u · (c~v ).
Prueba de 1.
Vectores en Rn 129
1
Sea ~u = (u1 , u2 , . . . , un ), hipótesis
2
~u · ~u = (u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ), 1
por
3
= u21 + u22 + · · · + u2n , definición de producto escalar
4
Como u21 > 0, u22 > 0, . . . , u2n > 0, propiedad en R
5
Entonces u21 + u22 + · · · + u2n > 0, 4
por .
2
Luego, ~u · ~u > 0 por , 3 y .
5
6
~u · ~u = 0 si y solo si
1
por
(u1 , u2 , . . . , un ) · (u1 , u2 , . . . , un ) = 0,
7
si y solo si u21 + u22 + · · · + u2n = 0, definición de producto escalar
8
si y solo si u1 = 0, u2 = 0, . . . , un = 0, propiedad en R
9
si y solo si ~u = ~0, 1
por .
9 ~u · ~u = 0 si y solo si ~u = ~0.
6 a ,
Luego, por
Ejemplo 109. Si ~u = (−2, 3, 4, 1), verificar que ~u · ~u > 0.

Solución.
~u · ~u = (−2, 3, 4, 1) · (−2, 3, 4, 1)
= (−2) × (−2) + 3 × 3 + 4 × 4 + 1 × 1
= 30 > 0 .
Prueba de 2.
1 ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u · ~v = (u1 , u2 , . . . , un ) · (v1 , v2 , . . . , vn ), 1
de
3
= u1 v1 + u2 v2 + · · · + un vn , definición de producto escalar
4
= v1 u1 + v2 u2 + · · · + vn un , conmutatividad en R
5
= (v1 , v2 , . . . , vn ) · (u1 , u2 , . . . , un ), definición de producto escalar
6
= ~v · ~u, 1 en .
5
2 a ,
Luego, por 6 ~u · ~v = ~v · ~u.
Ejemplo 110. Si ~u = (1, −3, 5, 4, 2) y ~v = (1, 1, 2, 0, 1), verificar que ~u ·~v = ~v · ~u.
Solución.
~u · ~v = (1, −3, 5, 4, 2) · (1, 1, 2, 0, 1)

= 1 × 1 + (−3) × 1 + 5 × 2 + 4 × 0 + 2 × 1
= 10 .
Ahora,
~v · ~u = (1, 1, 2, 0, 1) · (1, −3, 5, 4, 2)

= 1 × 1 + 1 × (−3) + 2 × 5 + 0 × 4 + 1 × 2
= 10 .
Hemos verificado que ~u · ~v = ~v · ~u.

Prueba de 3.
1 Sean ~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn )

hipótesis
yw ~ = (w1 , w2 , . . . , wn ) ∈ Rn ,

2
~ = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ) ·
(~u + ~v ) · w 1
de
(w1 , w2 , . . . , wn ),
3
= (u1 + v1 , u2 + v2 , . . . , un + vn )·
suma de vectores
(w1 , w2 , . . . , wn ),
4
= (u1 + v1 )w1 + (u2 + v2 )w2 definición de
+ · · · + (un + vn )wn , producto escalar
5
= u1 w1 + v1 w1 + u2 w2 + v2 w2
distributividad en R
+ · · · + un wn + vn wn ,
6
= (u1 w1 + u2 w2 + · · · + un wn )+
conmutatividad en R
(v1 w1 + v2 w2 + · · · + vn wn ),
7
= (u1 , u2 , . . . , un ) · (w1 , w2 , . . . , wn )+ definición de
(v1 , v2 , . . . , vn ) · (w1 , w2 , . . . , wn ), producto escalar
8
= ~u · w
~ + ~v · w,
~ 1 en .
7
2 a ,
Luego, por 8 (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~
Ejemplo 111. Si ~u = (1, 2, 3, 0, 1), ~v = (3, 1, 2, −1, 2) y w

~ = (2, 0, −4, 1, 1),
verificar que (~u + ~v ) · w
~ = ~u · w
~ + ~v · w.
~
Solución.
(~u + ~v ) · w
~ = [(1, 2, 3, 0, 1) + (3, 1, 2, −1, 2)] · (2, 0, −4, 1, 1)
Vectores en Rn 131
= (4, 3, 5, −1, 3) · (2, 0, −4, 1, 1)

= 4 × 2 + 3 × 0 + 5 × (−4) + (−1) × 1 + 3 × 1
= −10 .
Ahora,
~u · w
~ + ~v · w
~ = (1, 2, 3, 0, 1) · (2, 0, −4, 1, 1) + (3, 1, 2, −1, 2) · (2, 0, −4, 1, 1)
= (1 × 2 + 2 × 0 + 3 × (−4) + 0 × 1 + 1 × 1) + (3 × 2 + 1 × 0 + 2 × (−4) + (−1) × 1 + 2 × 1)
= (−9) + (−1)
= −10 .
Hemos verificado que (~u + ~v ) · w

~ = ~u · w
~ + ~v · w.
~
Ejercicio 143. Probar 4 y dar un ejemplo.
Ejercicio 144. Si usted tuviese que realizar un algoritmo, para implementar en

un computador, y se viera enfrentado a realizar c~u · (~v ) varios millones de veces,
¿realizarı́a esta operación? o mejor ¿realizarı́a ~u ·(c~v ) o realizarı́a c(~u ·~v )? ¿O serı́a
indiferente realizar cualquiera de las tres operaciones? Explique su respuesta.
Teorema 37 (Ángulo entre dos vectores en Rn ). Dados los vectores ~u y ~v ∈ Rn ,

no nulos, el coseno del ángulo formado entre ellos es
~u · ~v
cos θ = .
k ~u k k ~v k
Prueba.
Observe la figura 3.20.
Por la ley del coseno sabemos que
k ~u − ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
~ k2 = w
Ahora, como k w ~ · w,
~ entonces
(~u − ~v ) · (~u − ~v ) =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
Desarrollando el lado izquierdo
~u · ~u − 2(~u · ~v ) + ~v · ~v =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
θ
u
v
u -v
Figura 3.20: ángulo entre vectores en Rn
Ası́,
k ~u k2 −2(~u · ~v )+ k ~v k2 =k ~u k2 + k ~v k2 −2 k ~u kk ~v k cos θ .
Simplificando
−2(~u · ~v ) = −2 k ~u kk ~v k cos θ .
u·~
~ v
Ası́, cos θ = k~
ukk~vk .
Ejemplo 112. Encontrar el ángulo θ entre los vectores ~u = (2, 3, 0, −2) y ~v =

(3, 4, 2, −1)
Solución.
~u · ~v
cos θ =
k ~u kk ~v k
(2, 3, 0, −2) · (3, 4, 2, −1)
=p p
22
+ + 02 + (−2)2 32 + 42 + 22 + (−1)2
32
6 + 12 + 0 + 2
= √ √
17 30
20
=√
17 × 2 × 3 × 5
22 × 5
=√
17 × 2 × 3 × 5
√
2 2×5
=√ .
17 × 3
√
7 2
Entonces, θ = cos−1 √17×3×5 .
Vectores en Rn 133
Ejercicio 145. Encontrar el ángulo θ entre los vectores ~u = (1, 3, 0, −2) y ~v =

(1, 0, 4, −2).
√
Respuesta. √ 5 .
7 2×3
Definición 50 (Vectores ortogonales). Dos vectores ~u, ~v ∈ Rn , no nulos, son

ortogonales si ~u · ~v = 0.
Ejemplo 113. Los vectores ~u = (2, −2, 4) y ~v = (0, 2, 1), representados en la

figura 3.21, son ortogonales puesto que
~u · ~v = (2, −2, 4) · (0, 2, 1)

= 2 × 0 + (−2) × 2 + 4 × 1
= 0.
u
v
y
Figura 3.21: dos vectores ortogonales en R3
Ejemplo 114. Los vectores ~u = (1, 3, 0, 1) y ~v = (6, −3, 7, 3) son ortogonales

puesto que
~u · ~v = (1, 3, 0, 1) · (6, −3, 7, 3)

= 1 × 6 + 3 × (−3) + 0 × 7 + 1 × 3
= 0.
Ejercicio 146. Construya cinco pares de vectores en R4 que sean ortogonales.
Definición 51 (Vectores paralelos). Dos definiciones:
1. Dos vectores no nulos ~u, ~v ∈ Rn son paralelos si el ángulo θ entre ellos es

cero o π, es decir, si ~u · ~v =k ~u kk ~v k o −~u · ~v =k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v ∈ Rn son paralelos si ∃c ∈ R tal que ~u = c~v .
Ejemplo 115. Los vectores ~u = (2, 4, −1) y ~v = (−1, −2, 21 ), representados en

la figura 3.22 son paralelos, pues:
y
u
x
Figura 3.22: dos vectores paralelos en R3
1
~u · ~v = 2 × (−1) + 4 × (−2) + (−1) ×
2
1
= −2 − 8 −
2
21
=− ,
2

s 2
p 1
k ~u kk ~v k = 22 + 42 + (−1)2 (−1)2 + (−2)2 +
2
r
√ 21
= 21
4
r
21 2
=
22
21
= .
2
Como −(~u · ~v ) = −(− 21
2 )=
21
2 =k ~u kk ~v k, entonces ~u y ~v son paralelos.
Observe también que ~u = − 21 ~v .
Vectores en Rn 135
Ejemplo 116. Los vectores ~u = (3, 2, −1, 1) y ~v = (−6, −4, 2, −2) son paralelos
pues:
~u · ~v = 3 × (−6) + 2 × (−4) + (−1) × 2 + 1 × (−2)

= −18 − 8 − 2 − 2
= −30 ,

p p
k ~u kk ~v k =32 + 22 + (−1)2 + 12 (−6)2 + (−4)2 + 22 + (−2)2
√ √
= 15 60
√
= 15 × 4 × 15
= 15 × 2 = 30 .
Como −(~u ·~v ) = −(−30) = 30 =k ~u kk ~v k, entonces ~u y ~v son paralelos. Observe

también que ~u = − 12 ~v .

Ejercicio 147. ¿Son los vectores ~u = (3, 2, −1, 9, 6) y ~v = −2, − 43 , 23 , −6, −4
paralelos? Pruebe su respuesta.
Ejercicio 148. Construya cinco pares de vectores en R4 que sean paralelos.
Definición 52 (Vectores con igual dirección). Dos definiciones:
1. Dos vectores no nulos ~u, ~v ∈ Rn tienen igual dirección si el ángulo θ entre

ellos es cero, es decir, si y solo si ~u · ~v =k ~u kk ~v k.
2. Dos vectores no nulos ~u, ~v ∈ Rn tienen igual dirección si ∃c ∈ R, c > 0, tal

que ~u = c~v .
Ejemplo 117. Los vectores ~u = (2, 4, 4) y ~v = (1, 2, 2), mostrados en la figura

3.23, tienen igual dirección pues
~u · ~v = 2 × 1 + 4 × 2 + 4 × 2
=2+8+8
v
y
Figura 3.23: dos vectores con igual dirección en R3
= 18 ,

p p
k ~u kk ~v k = 22 + 42 + 42 12 + 22 + 22
√ √
= 4 + 16 + 16 1 + 4 + 4
√ √
= 36 9
=6×3
= 18 .
Como ~u · ~v = 18 =k ~u kk ~v k, entonces ~u y ~v tienen igual dirección. Observe que

~u = 2~v y que estos dos vectores también son paralelos.
Ejemplo 118. Los vectores ~u = (0, 3, 1, −2, 0) y ~v = (0, 6, 2, −4, 0) tienen igual
dirección pues
~u · ~v = 0 × 0 + 3 × 6 + 1 × 2 + (−2) × (−4) + 0 × 0
= 0 + 18 + 2 + 8 + 0
= 28 ,

p p
k ~u kk ~v k = 02 + 32 + 12 + (−2)2 + 02 02 + 62 + 22 + (−4)2 + 02
Vectores en Rn 137
√ √
= 0 + 9 + 1 + 4 + 0 0 + 36 + 4 + 16 + 0
√ √
= 14 56
p
= 2 × 7 × 23 × 7
= 22 × 7
= 28 .
Como ~u · ~v = 28 =k ~u kk ~v k, entonces ~u y ~v tienen igual dirección. Observe que

~u = 12 ~v y que estos dos vectores también son paralelos.
Ejercicio 149. ¿Tienen los vectores ~u = (1, 5, −1, 2, 4) y ~v = (2, 10, −2, 4, 8)
igual dirección? Pruebe su respuesta.
Ejercicio 150. Construya cinco pares de vectores en R4 tales que cada par tenga
igual dirección.
Teorema 38 (Desigualdad de Cauchy–Schwarz ). Si ~u, ~v ∈ Rn , entonces
|~u · ~v | 6k ~u kk ~v k .
Ejemplo 119. Sean los vectores ~u = (−1, 2, 3, 0, 2) y ~v = (1, 0, −3, 1, 2), verificar
el teorema de Cauchy–Schwarz.
Solución.
|~u · ~v | = |(2, 3, 1, 2) · (0, −3, 1, 2)|

= | − 4|
= 4.
Ahora,
p p
k ~u kk ~v k = 22 + 32 + 12 + 22 02 + (−3)2 + 12 + 22
√ √
= 18 14
p √
= 2 × 32 2 × 7
p
= 22 × 32 × 7
√
= 2 × 3 7.
Luego, se verifica que |~u · ~v | 6k ~u kk ~v k.

Ejercicio 151. Dados los vectores ~u = (0, 3, 1, 4, 2) y ~v = (−1, 0, 3, 5, 2), verificar
el teorema de Cauchy–Schwarz.
Teorema 39 (Desigualdad triangular). Dados ~u, ~v ∈ Rn , entonces
k ~u + ~v k6k ~u k + k ~v k .
Prueba.
1 Sean ~u, ~v ∈ Rn ,
hipótesis
p √
2 k ~u + ~v k= (~u + ~v ) · (~u + ~v ),
~ ∈ Rn , k w
∀w ~ k= ~ ·w
w ~
√
3
= ~u · ~u + ~u · ~v + ~v · ~u + ~v · ~v , propiedad del producto escalar
p
4
= k ~u k2 +2(~u · ~v )+ k ~v k2 , 2 y
razones de 3
p
5
6 k ~u k2 +2 k ~u kk ~v k + k ~v k2 , pues ~u · ~v 6k ~u kk ~v k
p
6
= (k u k + k v k)2 , 5 es trinomio cuadrado perfecto

7
=k ~u k + k ~v k, 6
simplificando .
2 a ,
Luego, por 7 k ~u + ~v k6k ~u k + k ~v k.
La figura 3.24 ilustra el anterior teorema. El lector puede verificar que la

distancia de (0, 0) a (6, 5) es menor que la distancia entre (0, 0) y (4, 1) más la
distancia entre (4, 1) y (6, 5).
v
+
u v
Figura 3.24: ilustración de la desigualdad triangular en R2
Ejemplo 120. Sean ~u = (3, 2, 0, −4) y ~v = (3, −2, 2, 1), verificar el teorema 39.
Primero calculemos la norma del vector resultante de la suma de los dos vectores
k ~u + ~v k =k (3, 2, 0, −4) + (3, −2, 2, 1) k

=k (6, 0, 2, −3) k
Vectores en Rn 139
p
= 62 + 02 + 22 + (−3)2
√
= 49
= 7.
Ahora, las normas individuales
k ~u k + k ~v k =k (3, 2, 0, −4) k + k (3, −2, 2, 1) k

p p
= 32 + 22 + 02 + (−4)2 + 32 + (−2)2 + 22 + 12
√ √
= 29 + 18
√ √
= 29 + 3 2 .
√ √
Como 7 < 29 + 3 2, entonces se verifica que k ~u + ~v k6k ~u k + k ~v k.
Ejercicio 152. Sean ~u = (1, −2, 0, 4, 2) y ~v = (−3, 0, 2, 4, 3), verificar el teorema
39.
Definición 53 (Vector unitario). Un vector unitario en Rn es aquel cuya longi-
tud es uno.
~ en la dirección de ~u = (2, −3, 4, 1)
Ejemplo 121. Encontrar un vector unitario w
Solución. La magnitud de ~u es
p
k ~u k = 22 + (−3)2 + 42 + 12
√
= 4 + 9 + 16 + 1
√
= 30
√
= 2 ×3 × 5.
Ası́,
~u
w
~=
k ~u k
(2, −3, 4, 1)
= √
30

2 −3 4 1
= √ , √ , √ , .
30 30 30 30
~ en la dirección de ~u = (2, 4, −2, 3, −4)
Ejercicio 153. Encontrar un vector unitario w
2 4 −2 3 4

Respuesta. 7 , 7 , 7 , 7 , − 7 .
Definición 54 (Vectores coordenados unitarios en R3 ). En R3 existen tres vec-

tores unitarios, ortogonales entre sı́, llamados vectores coordenados unitarios;
ellos son: ı̂ = (1, 0, 0), ̂ = (0, 1, 0) y k̂ = (0, 0, 1).
La figura 3.25 ilustra estos vectores
j
i
Figura 3.25: vectores coordenados unitarios en R3
En términos de los vectores coordenados unitarios se puede expresar fácil-

mente cualquier otro vector en R3 .
Ejemplo 122. Expresar el vector ~u = (2, −4, 1) en términos de ı̂, ̂ y k̂.
Solución.
~u = (2, −4, 1)
= (2, 0, 0) + (0, −4, 0) + (0, 0, 1)
= 2(1, 0, 0) + (−4)(0, 1, 0) + 1(0, 0, 1)
= 2ı̂ + (−4)̂ + 1k̂
= 2ı̂ − 4̂ + k̂ .
Ejercicio 154. Expresar el vector ~u = (−5, 8, 4) en términos de ı̂, ̂ y k̂.
En general, en Rn , cualquier vector ~u = (u1 , u2 , . . . , un ) puede ser expresado

fácilmente en términos de los siguientes vectores coordenados unitarios:
e1 = (1, 0, . . . , 0) ∈ Rn
e2 = (0, 1, . . . , 0) ∈ Rn
..
.
en = (0, 0, . . . , 1) ∈ Rn ,
de la forma ~u = u1~e1 + u2~e2 + · · · + un~en .

Los vectores ~e1 , ~e2 , . . ., ~en son mutuamente ortogonales y unitarios.
A continuación, veamos un ejemplo general de lo aprendido hasta el momento
sobre vectores en Rn .
Vectores en Rn 141
Ejemplo 123 (Operaciones con vectores). Sean los vectores ~u1 = (0, 2, −1, 3),
~u2 = (2, 1, 3, 1) y ~u3 = (1, −3, −6, 0).
Solución.
1. Su longitud, magnitud o norma

p √
k ~u1 k = 02 + 22 + (−1)2 + 32 = 14
p √
k ~u2 k = 22 + 12 + 32 + 12 = 15
p √
k ~u3 k = 12 + (−3)2 + (−6)2 + 02 = 46 .
2. La suma de ~u1 , ~u2 y ~u3 es
~u1 + ~u2 + ~u3 = (0, 2, −1, 3) + (2, 1, 3, 1) + (1, −3, −6, 0)

= (0 + 2 + 1, 2 + 1 − 3, −1 + 3 − 6, 3 + 1 + 0)
= (3, 0, −4, 4) .
3. ¿Son ortogonales estos vectores?
(a) ~u1 · ~u2 = 0 × 2 + 2 × 1 + (−1) × 3 + 3 × 1 = 2,

luego ~u1 y ~u2 no son ortogonales.
(b) ~u1 · ~u3 = 0 × 1 + 2 × (−3) + (−1) × (−6) + 3 × 0 = 0,
luego ~u1 y ~u3 son ortogonales.
(c) ~u2 · ~u3 = 2 × 1 + 1 × (−3) + 3 × (−6) + 1 × 0 = −19,
luego ~u2 y ~u3 no son ortogonales.
4. El ángulo θ1 entre ~u1 y ~u2 es
~u1 · ~u2 2 2
cos θ1 = =√ √ =√
k ~u1 k · k ~u2 k 14 · 15 2×7×3×5

2
θ1 = cos−1 √ .
2×7×3×5
Ejercicio 155. Encontrar el ángulo θ2 entre ~u1 y ~u3 , y el ángulo θ3 entre,

~u2 y ~u3 .
5. El vector unitario ~v1 en la dirección

de ~u1 es
~u1 (0, 2, −1, 3) 2 −1 3
~v1 = = √ = 0, √ , √ , √ .
k ~u1 k 14 14 14 14
Ejercicio 156. Encontrar el vector unitario ~v2 en la dirección de ~u2 y el

vector unitario ~v3 en la dirección de ~u3 .
6. Encontrar algún vector w ~ 1 en la dirección de ~u1 .

Cualquier vector w~ 1 = c~u1 , con c > 0, tiene igual dirección que ~u1 .
Prueba. Observe la figura 3.26
u1
w1
Figura 3.26: vectores con igual dirección
~ 1 · ~u1 = (c~u1 ) · ~u1

w
= c(~u1 · ~u1 )
= c k ~u1 k2 (3.1)
kw
~ 1 k · k ~u1 k =k c~u1 k · k ~u1 k
= |c| k ~u1 k · k ~u1 k (3.2)
Como c > 0, entonces |c| = c, ası́ (3.1) = (3.2) y por tanto w
~ 1 · ~u1 =k w
~1 k
k ~u1 k . Luego w
~ 1 y ~u1 tienen igual dirección.
Nota. Si c < 0, entonces |c| = −c. Luego, w~ 1 y ~u1 son paralelos pero con
sentido contrario. Observe la figura 3.27.
7. Encontrar un vector ~x ortogonal a ~u2 , diferente de ~u1 .
Sea ~x = (x1 , x2 , x3 , x4 )
~x · ~u2 = 0
(x1 , x2 , x3 , x4 ) · (2, 1, 3, 1) = 2x1 + 1x2 + 3x3 + 1x4 = 0 .
Una ecuación con cuatro incógnitas. Esto implica que hay infinitos vectores.
Por ejemplo si x1 = 1, x2 = 1 y x3 = 1, entonces x4 = −6. Luego ~x =
(1, 1, 1, −6) es ortogonal a ~u1 . Se verifica realizando ~x · ~u2 .
Vectores en Rn 143
u1
w1
Figura 3.27: vectores paralelos
Ejercicio 157. Encontrar:
1. tres vectores paralelos a ~u1 ,
4. tres vectores con igual dirección que ~u1 ,
7. tres vectores perpendiculares a ~u1 ,
8. tres vectores perpendiculares a ~u2 ,
9. tres vectores perpendiculares a ~u3 .

3.3 Aplicaciones de vectores en R3
Definición 55 (Producto cruz). En R3 , dados los vectores ~u = (u1 , u2 , u3 ) =

u1 ı̂ + u2 ̂ + u3 k̂ y ~v = (v1 , v2 , v3 ) = v1 ı̂ + v2 ̂ + v3 k̂ se define su producto cruz
como

ı̂ ̂ k̂

~u × ~v = u1 u2 u3
(3.3)

v1 v2 v3
= (ı̂u2 v3 + u1 v2 k̂ + v1 ̂u3 ) − (k̂u2 v1 + u3 v2 ı̂ + v3 ̂u1 )

= (u2 v3 − u3 v2 )ı̂ + (u3 v1 − u1 v3 )̂ + (u1 v2 − u2 v1 )k̂ .
Note que (3.3) no es un determinante pero se soluciona como un determinante.

El vector ~u × ~v es ortogonal a los vectores ~u y ~v y su dirección está dada
por la regla de la mano derecha: oriente los dedos de su mano derecha (excepto
el pulgar que estará ortogonal a los primeros) en la dirección de ~u y desplácelos
hacia el vector ~v a través del ángulo más pequeño, entonces, hacia donde apunte
el dedo pulgar, es la dirección del vector ~u × ~v , observe la figura 3.28.
u x v
v
θ
Figura 3.28: regla de la mano derecha
Ejemplo 124. Dados ~u = 2ı̂ − ̂ + k̂ y ~v = ı̂ + 2̂ − k̂, encontrar w

~ = ~u × ~v .
Solución.

ı̂ ̂ k̂

w
~ = 2 −1 1

1 2 −1
= (ı̂ + 4k̂ + ̂) − (−k̂ + 2ı̂ − 2̂)
= −ı̂ + 3̂ + 5k̂ .
El vector w
~ es representado en la figura 3.29.
Ejercicio 159. Dados ~u = ı̂ − ̂ + 2k̂ y ~v = ı̂ + 2̂ + k̂, determinar w

~ = ~u × ~v .
Dibuje los tres vectores.
Respuesta. −5ı̂ + ̂ + 3k̂.
Vectores en Rn 145
w = u +v
u
v
Figura 3.29: producto cruz entre los vectores ~u y ~v
~ ∈ R3 y c un
Teorema 40 (Propiedades del producto cruz). Sean ~u, ~v y w
escalar, entonces:
1. ~u × ~v = −(~v × ~u)
2. ~u × (~v + w)
~ = ~u × ~v + ~u × w
~
3. (~u + ~v ) × w
~ = ~u × w
~ + ~v × w
~
4. c(~u × ~v ) = (c~u) × ~v = ~u × (c~v )
5. ~u × ~u = ~0
6. ~0 × ~u = ~u × ~0 = ~0
7. ~u × (~v × w)
~ = (~u · w)~
~ v − (~u · ~v )w
~
8. (~u × ~v ) × w ~ · ~u)~v − (w
~ = (w ~ · ~v )~u
9. (~u × ~v ) · w
~ = ~u · (~v × w).
~
Prueba de 1. ~u × ~v = −(~v × ~u)

1 Sean ~u = (u1 , u2 , u3 ) y ~v = (v1 , v2 , v3 ) ∈ R3 ,
hipótesis

ı̂ ̂ k̂

2 ~u × ~v = u1 u2 u3 ,
por 1 y definición de produc-

v1 v2 v3
to cruz

ı̂ ̂ k̂

3
= − v1 v2 v3 , propiedad de determinante

u1 u2 u3
4
= −(~v × ~u), 2
razón de .
2 a .
Luego, ~u × ~v = −(~v × ~u), por 4
Ejemplo 125. Dados ~u = ı̂ + 3̂ − k̂ y ~v = 2ı̂ − ̂ + k̂, encontrar ~u × ~v y ~v × ~u.

Solución.

ı̂ ̂ k̂

~u × ~v = 1 3 −1

2 −1 1
= (3ı̂ − k̂ − 2̂) − (6k̂ + ı̂ + ̂)
= 2ı̂ − 3̂ − 7k̂ .
Ahora,

ı̂ ̂ k̂

~v × ~u = 2 −1 1

1 3 −1
= (ı̂ + 6k̂ + ̂) − (−k̂ + 3ı̂ − 2̂)
= −2ı̂ + 3̂ + 7k̂ .
Luego, ~u × ~v = −(~v × ~u), por tanto, hemos verificado la parte 1 del teorema 40.
Ejercicio 160. Invente dos vectores en R3 y verifique la parte 1 del teorema 40.
Vectores en Rn 147
Prueba de 2. ~u × (~v + w)
~ = ~u × ~v + ~u × w ~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y

hipótesis
~ = (w1 , w2 , w3 ) ∈ R3 ,
w
2
~u × (~v + w)
~ =~u × (v1 + w1 , v2 + w2 , v3 + w3 ), por 1 y suma de
vectores

ı̂ ̂ k̂

3
= u1 u2 u3 , definición de pro-

v1 + w1 v2 + w2 v3 + w3 ducto cruz
4
= [u2 (v3 + w3 ) − u3 (v2 + w2 )] ı̂+
[u3 (v1 + w1 ) − u1 (v3 + w3 )]̂+ 3
resolviendo
[u1 (v2 + w2 ) − u2 (v1 + w1 )]k̂,
5
= (u2 v3 − u3 v2 )ı̂ + (u3 v1 − u1 v3 )̂+
(u1 v2 − u2 v1 )k̂ + (u2 w3 − u3 w2 )ı̂+ propiedades en R
(u3 w1 − u1 w
3 )̂ + (u1 w2 − u2 w1 )k̂,

ı̂ ̂ k̂ ı̂ ̂ k̂

6
=u1 u2 u3 + u1 u2 u3 , 5
resolviendo

v1 v2 v3 w1 w2 w3
7
= ~u × ~v + ~u × w,
~ 3
razón de .
Luego, ~u × (~v + w)
~ = ~u × ~v + ~u × w, 2 a .
~ por 7
Ejemplo 126. Dados ~u = ı̂ − 2̂ + k̂, ~v = ı̂ − 2̂ + 2k̂ y w

~ = ı̂ + 2̂ + k̂, encontrar
~u × (~v + w)
~ y ~u × ~v + ~u × w.
~
Solución.

~u × (~v + w)
~ = (ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂) + (ı̂ + 2̂ + k̂)
= (ı̂ − 2̂ + k̂) × (2ı̂ + 0̂ + 3k̂)

ı̂ ̂ k̂

= 1 −2 1

2 0 3
= (−6ı̂ + 0k̂ + 2̂) − (−4k̂ + 0ı̂ + 3̂)
= −6ı̂ − ̂ + 4k̂ .
Ahora,

ı̂ ̂ k̂ ı̂ ̂ k̂

~u × ~v + ~u × w
~ = 1 −2 1 + 1 −2 1

1 −2 2 1 2 1

= (−4ı̂ − 2k̂ + ̂) − (−2k̂ − 2ı̂ + 2̂) +

(−2ı̂ + 2k̂ + ̂) − (−2k̂ + 2ı̂ + ̂)
= (−2ı̂ − ̂ + 0k̂) + (−4ı̂ + 0̂ + 4k̂)
= −6ı̂ − ̂ + 4k̂ .
Luego, ~u × (~v + w)
~ = ~u × ~v + ~u × w,
~ por tanto, hemos verificado la parte 2 del
teorema 40.
Ejercicio 161. Invente tres vectores en R3 y verifique la parte 2 del teorema
40.
Ejercicio 162. Probar 3, (~u + ~v ) × w
~ = ~u × w
~ + ~v × w,
~ y realizar un ejemplo.
Prueba de 4. c(~u × ~v ) = (c~u) × ~v = ~u × (c~v )

1 Sean ~u = (u1 , u2 , u3 ) y

~v = (v1 , v2 , v3 ) ∈ R3 , y c un escalar, hipótesis

ı̂ ̂ k̂

2
c(~u × ~v ) = c u1 u2 u3 , 1 y definición de producto cruz
por

v1 v2 v3

ı̂ ̂ k̂
c
3
= cu1 cu2 cu3 , propiedad de determinante
c
v1 v2 v3
4
= (c~u) × ~v , 3 y definición de producto cruz
de

ı̂ ̂ k̂

5
c(~u × ~v ) = c u1 u2 u3 , 2
razón de

v1 v2 v3

ı̂ ̂ k̂
c
6
= u1 u2 u3 , 3
razón de
c
cv1 cv2 cv3
7
= ~u × (c~v ), 6 y definición de producto cruz.
de
Vectores en Rn 149
2 a
Luego, c(~u × ~v ) = (c~u) × ~v = ~u × (c~v ), por 7
Ejemplo 127. Dados c = 2, ~u = ı̂ − 2̂ + k̂ y ~v = 2ı̂ − 2̂ + 2k̂, encontrar c(~u × ~v )

y (c~u) × ~v .
Solución.

ı̂ ̂ k̂

c(~u × ~v ) = 2 1 −2 1

1 −2 2

= 2 (−4ı̂ − 2k̂ + ̂) − (−2k̂ − 2ı̂ + 2̂)
= 2(−2ı̂ − ̂ + 0k̂)
= −4ı̂ − 2̂ + 0k̂ .
Ahora,

(c~u) × ~v = 2(ı̂ − 2̂ + k̂) × (ı̂ − 2̂ + 2k̂)
= (2ı̂ − 4̂ + 2k̂) × (ı̂ − 2̂ + 2k̂)

ı̂ ̂ k̂

= 2 −4 2

1 −2 2
= (−8ı̂ − 4k̂ + 2̂) − (−4k̂ − 4ı̂ + 4̂)
= −4ı̂ − 2̂ + 0k̂ .
Luego, c(~u × ~v ) = (c~u) × ~v , por tanto, hemos verificado la parte 4 del teorema
40.
Ejercicio 163. Invente un escalar c y dos vectores en R3 . Verifique (c~u) × ~v =

~u × (c~v ).
Prueba de 5. ~u × ~u = ~0
1
Sea ~u = (u1 , u2 , u3 ) ∈ R3 , hipótesis

ı̂ ̂ k̂

2
~u × ~u = u1 u2 u3 , 1 y definición
por

u1 u2 u3
de producto cruz
3
= (u2 u3 − u3 u2 )ı̂ + (u3 u1 − u1 u3 )̂+
(u1 u2 − u2 u1 )k̂, 2
resolviendo
4
= 0ı̂ + 0̂ + 0k̂, 3
simplificando .
Luego, ~u × ~u = ~0, por 2 y 3
Ejemplo 128. Dado ~u = 2ı̂ − 2̂ − 4k̂, encontrar ~u × ~u.

Solución.

ı̂ ̂ k̂

~u × ~u = 2 −2 −4

2 −2 −4
= (8ı̂ − 4k̂ − 8̂) − (−4k̂ + 8ı̂ − 8̂)
= ~0 .
Luego, ~u × ~u = ~0, por tanto, hemos verificado la parte 5 del teorema 40.
Ejercicio 164. Invente un vector ~u ∈ R3 . Verifique que ~u × ~u = ~0.
Prueba de 6. ~0 × ~u = ~u × ~0 = ~0
1 Sea ~u = (u1 , u2 , u3 ) ∈ R3 , hipótesis

ı̂ ̂ k̂

2 ~0 × ~u = 0 0 0 ,
1 y definición de producto cruz
por

u1 u2 u3
3
= 0ı̂
+ 0̂ + 0k̂, 2
resolviendo

ı̂ ̂ k̂

4
~u × ~0 = u1 u2 u3 , 2
razón de

0 0 0
5
= 0ı̂ + 0̂ + 0k̂, 4
resolviendo .
~ ~ ~ 2 a
Luego, 0 × ~u = ~u × 0 = 0, por 5
Vectores en Rn 151
Ejemplo 129. Dado ~u = 6ı̂ − 3̂ − k̂, encontrar ~u × ~0.

Solución.

ı̂ ̂ k̂

~u × ~0 = 6 −3 −1

0 0 0
= (0ı̂ + 0k̂ + 0̂) − (0k̂ + 0ı̂ + 0̂)
= ~0 .
Luego, ~u × ~0 = ~0, por tanto, hemos verificado la parte 6 del teorema 40.
Ejercicio 165. Invente un vector ~u ∈ R3 . Verifique que ~0 × ~u = ~0.

u1 u2 u3

Ejercicio 166. Probar que ~u · (~v × w) ~ = v1 v2 v3 con ~u = (u1 , u2 , u3 ),

w1 w2 w3
~ = (w1 , w2 , w3 ) ∈ R3 .
~v = (v1 , v2 , v3 ) y w
Prueba de 9. (~u × ~v ) · w
~ = ~u · (~v × w)
~
1 Sean ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 )
hipótesis
yw ~ = (w1 , w2, w3 ) ∈ R3 ,

u1 u2 u3

2
(~u × ~v ) · w
~ = v1 v2 v3 , 1 y tarea 166
por

w1 w2 w3

w1 w2 w3

3
= − v1 v2 v3 , propiedad de determinantes

u1 u2 u3
f1 ↔ f3

v1 v2 v3

4
= −(−) w1 w2 w3 , propiedad de determinantes

u1 u2 u3 f1 ↔ f2
5
= (~v × w)
~ · ~u, 2
razón de
6
= ~u · (~v × w),
~ conmutatividad del producto
escalar.
Luego (~u × ~v ) · w
~ = ~u · (~v × w), 2 a .
~ por 6
Hacer ejemplo
Teorema 41 (Ángulo entre dos vectores en R3 ). Dados ~u, ~v ∈ R3 , el ángulo

entre ~u y ~v está dado por
k ~u × ~v k
sen θ = .
k ~u kk ~v k
Ejemplo 130 (Área de un triángulo (△) en R3 ). Dado el △ delimitado por los

vectores ~u, ~v y ~u − ~v , figura 3.30, con ~u, ~v ∈ R3 , su área es
u -v
h
u
θ v
Figura 3.30: área de un △ en R3
k ~u k h
A△ =
2
k ~u k (k ~v k sen θ)
=
2
k ~u kk ~v k k ~u × ~v k
= ×
2 k ~u kk ~v k
k ~u × ~v k
= .
2
Ejemplo 131. Encontrar el área del △ delimitado por los vectores ~u = (3, 1, 2)
y ~v = (−1, −3, 1).
Solución. En la figura 3.31 se muestra el triángulo

ı̂ ̂ k̂

~u × ~v = 3 1 2

−1 −3 1
Vectores en Rn 153
z
v = (-1,-3,1)
u = (3,2,1)
x
= (ı̂ − 9k̂ − 2̂) − (−k̂ − 6ı̂ + 3̂)

= 7ı̂ − 5̂ − 8k̂ .
Ahora, el área del triángulo es

1 1p 2
A△ = k ~u × ~v k= 7 + (−5)2 + (−8)2
2 2
1√ 1√
= 138 = 2 × 3 × 23
2
r 2
3 × 23
= .
2
Ejercicio 167. Determinar el área del △ delimitado por los vectores ~u = (1, 3, 2)
y ~v = (2, −1, 1). Dibujar el triángulo.
√
83
Respuesta. 2 .
Ejemplo 132. Encontrar el área del △ delimitado por los puntos P1 = (3, −1, 0),
P2 = (2, 3, 2) y P3 = (−2, 0, 3).
−→ −→
Solución. Sea ~u = P1 P2 = (−1, 4, 2) y ~v = P1 P3 = (−5, 1, 3) como se muestra
en la figura 3.32

ı̂ ̂ k̂

~u × ~v = −1 4 2

−5 1 3
= (12ı̂ − k̂ − 10̂) − (−20k̂ + 2ı̂ − 3̂)
= 10ı̂ − 7̂ + 19k̂
= (10, −7, 19) .
P3
v
P2
P1
Ahora, el área del triángulo es

1 1p 2
A△ = k ~u × ~v k= 10 + (−7)2 + (19)2
2 2
1√
= 510 .
2
Ejercicio 168. Determinar el área del △ delimitado por los puntos P1 =
(1, −2, 2), P2 = (0, 2, 1) y P3 = (2, 1, −1). Dibujar el triángulo.
q
Respuesta. 73 2 .
Área de un paralelogramo en R3 . El área de un paralelogramo en R3 , defi-

nido por los vectores ~u y ~v (figura 3.33) es
A =k ~u × ~v k .
♦
Ejemplo 133. Encontrar al área del paralelogramo determinado por los vectores
~u y ~v del ejemplo 132.
√ √
Solución. Como A△ es 21 510, entonces A = 510.
♦
Ejercicio 169. Determinar el área del paralelogramo delimitado por los vectores
~u = (−1, 4, −1) y ~v = (1, 3, −3). Dibujar el paralelogramo.
√
Respuesta. 2 × 73.
Realizar ejemplo de torque

Vectores en Rn 155
Figura 3.33: área de un paralelogramo en R3
Volumen de un paralelepı́pedo. Dado un paralelepı́pedo determinado por

los vectores ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y w
~ = (w1 , w2 , w3 ), figura 3.34, su
volumen está determinado por
Vp =k ~v × w
~ k (k ~u k cos θ), base por altura
~ , pues cos θ = k~(~
= abs (~u · (~v × w)) v ×w)·~
~ u
v ×wkk~
~ uk
 

u1 u2 u3
 
 v1 v2 v3  , por ejercicio 166.
= abs  

w1 w2 w3
Ejemplo 134. Encontrar el volumen del paralelepı́pedo determinado por los

vectores ~u = (1, 7, 3), ~v = (−2, 1, 1) y w
~ = (−1, 0, 4).
Solución. Al dibujar los tres vectores se obtiene el paralelepı́pedo mostrado en
la figura 3.35.
 

1 7 3
 
Vp = abs 
−2 1 1


−1 0 4

= abs (4 + 0 − 7) − (−3 + 0 − 56)
= 56 .
Ejercicio 170. Encontrar el volumen del paralelepı́pedo determinado por los
vectores ~u = (1, 5, 0), ~v = (−3, 2, 1) y w
~ = (−2, 0, 4).
Respuesta. 58.
v xw
||u ||cos θ
θ
w
Figura 3.34: volumen de un paralelepı́pedo
w =(-1,0 ,4)
v =(-2,1,1)
u =(1,7,3)
y
x
Figura 3.35: volumen de un paralelepı́pedo
Rectas en R3 . Para determinar una recta l en R3 basta conocer un punto

P0 = (x0 , y0 , z0 ) ∈ l y un vector ~u = (a, b, c) paralelo a l. Veamos cómo hacerlo:
de acuerdo a la figura 3.36, w ~ 0 = (x0 , y0 , z0 ) y P = (x, y, z) un punto cualquiera
−→
de l, entonces P0 P = t~u con t ∈ R, luego, por suma de vectores, el vector
Vectores en Rn 157
~x = (x, y, z) es
~x = w
~ 0 + t~u . (3.4)
z
l
P o=(x o,y o,z o)
w0
tu
y
x
P=(x ,y ,z )
x
u =(a ,b,c)
Figura 3.36: recta en R3
Entonces, de (3.4), se sigue que
(x, y, z) = (x0 , y0 , z0 ) + t(a, b, c)

(x, y, x) = (x0 + ta, y0 + tb, z0 + tc) .
Luego,
x = x0 + ta
y = y0 + tb (3.5)
z = z0 + tc ,
llamadas ecuaciones paramétricas.

Al despejar t en (3.5) se obtiene
x − x0 y − y0 z − z0
= = ,
a b c
llamada la forma simétrica de l.
Ejemplo 135. Encontrar las ecuaciones paramétricas y la forma simétrica de la

recta l que es paralela al vector ~u = (−2, 4, 1) y pasa por el punto P0 = (1, −2, 5).
z
x =(x ,y ,z )
l
P 0 =(1,-2,5)
w0
u =(-2,4,1)
y
x
Solución. Observe la figura 3.37.
Tenemos los siguientes datos: P0 = (1, −2, 5), w

~ 0 = (1, −2, 5), ~u = (−2, 4, 1) y
~x = (x, y, z). Entonces
~x = w
~ 0 + t~u
(x, y, z) = (1, −2, 5) + t(−2, 4, 1) .
De donde
x = 1 − 2t
y = −2 + 4t (3.6)
z = 5 + t,
son las ecuaciones paramétricas. Despejando t en (3.6) obtenemos la forma

simétrica
x−1 y+2
t= = = z − 5.
−2 4
Ejercicio 171. Determinar las ecuaciones paramétricas y la forma simétrica de
la recta l que es paralela al vector ~u = (−1, 3, 5) y pasa por el punto P0 =
(3, −3, 4). Trazar la recta.
Ejemplo 136. Encontrar las ecuaciones paramétricas y la forma simétrica de
la recta l que pasa por los puntos P0 = (2, −2, 1) y P1 = (−1, 1, 3).
Vectores en Rn 159
z
x
P= (x , y , z )
P 1= (-1, 1, 3) x
tu u
P 0 = (2, -2, 1)
x y
l P0
x
Solución. Observe la figura 3.38
Un vector paralelo a l es
−→
~u = P0 P1
= (−1 − 2, 1 − (−2), 3 − 1)
= (−3, 3, 2) .
Entonces
P~ = P~0 + t~u
(x, y, z) = (2, −2, 1) + t(−3, 3, 2)
(x, y, z) = (2 − 3t, −2 + 3t, 1 + 2t) .
Luego, las ecuaciones paramétricas son
x = 2 − 3t
y = −2 + 3t
z = 1 + 2t .
Y la forma simétrica es
x−2 y+2 z−1
= = .
−3 3 2
Ejercicio 172. Determinar las ecuaciones paramétricas y la forma simétrica de

la recta l que pasa por los puntos P0 = (−1, −3, 2) y P1 = (2, 4, 0). Trazar la
recta.
Planos en R3 . Para determinar la ecuación de un plano p basta conocer un

punto P0 = (x0 , y0 , z0 ) ∈ p y un vector ~n = (a, b, c) perpendicular a p como se
muestra en la figura 3.39.
n =(a ,b,c)
P = (x ,y ,z ) x
P 0 = (x 0 ,y 0 ,z 0 )
y
Figura 3.39: plano en R3
Sea un punto P = (x, y, z) ∈ p, entonces como el producto escalar entre dos

vectores ortogonales es cero, se tiene
−→
~n · (P0 P ) = 0
(a, b, c) · (x − x0 , y − y0 , z − z0 ) = 0
a(x − x0 ) + b(y − y0 ) + c(z − z0 ) = 0
ax + by + cz − (ax0 + by0 + cz0 ) = 0
ax + by + cz = (ax0 + by0 + cz0 ) .
Ejemplo 137. Encontrar la ecuación del plano que pasa por el punto P0 =
(2, −2, 4) y es perpendicular al vector ~n = (1, 3, 2).
Solución. Observe una aproximación al plano en la figura 3.40
−→
Sea P = (x, y, z) un punto cualquiera perteneciente al plano, entonces P0 P =
(x − 2, y + 2, z − 4), luego
−→
~n · P0 P = 0
Vectores en Rn 161
z
n =(1,3,2)
P 0 = (2,-2,4)
P= (x ,y ,z ) y
(1, 3, 2) · (x − 2, y + 2, z − 4) = 0
1(x − 2) + 3(y + 2) + 2(z − 4) = 0
x + 3y + 2z − 4 = 0 .
Ejercicio 173. Determinar la ecuación del plano que pasa por el punto P0 =
(1, 4, 2) y es perpendicular al vector ~n = (1, 2, 3).
Respuesta. x + 2y + 3z = 15.
Ejemplo 138. Encontrar la ecuación del plano que pasa por los puntos P1 =
(3, −1, 1), P2 = (0, 5, 1) y P3 = (−1, 1, 4).
Solución. Observe la figura 3.41
Dos vectores pertenecientes al plano son

−→
P1 P2 = (0 − 3, 5 − (−1), 1 − 1) = (−3, 6, 0)
−→
P1 P3 = (−1 − 3, 1 − (−1), 4 − 1) = (−4, 2, 3) .
Un vector ~n perpendicular al plano es

−→ −→
~n = P1 P2 × P1 P3

ı̂ ̂ k̂

= −3 6 0

−4 2 3
z
P 3=(-1,1,4)
P= (x ,y ,z )
P 2= (0 ,5,1)
n
y
P 1=(3,-1,1)
x
= (18 − 0)ı̂ + (0 − (−9))̂ + (−6 − (−24))k̂

= 18ı̂ + 9̂ + 18k̂
= (18, 9, 18) .
Entonces, la ecuación del plano es

−→
~n · P1 P = (18, 9, 18) · (x − 3, y − (−1), z − 1)
= 18(x − 3) + 9(y + 1) + 18(z − 1)
= 18x + 9y + 18z + (−54 + 9 − 18)
= 18x + 9y + 18z − 63 = 0 ,
que es equivalente a 2x + y + 2z = 7.
Ejercicio 174. Encontrar la ecuación del plano que pasa por los puntos P1 =
(3, 1, −1), P2 = (0, 3, 1) y P3 = (0, −3, 2). Graficar el plano.
Respuesta. 14x + 3y + 18z = 27.

Unidad 4
Espacios Vectoriales
4.1 Rn como espacio vectorial
Los vectores en Rn , con las operaciones + y · (acá · significa simplemente la

multiplicación de un escalar por un vector), conforman una terna llamada espacio
vectorial real, denotada (Rn , +, ·), en el que se cumplen las 10 propiedades dadas
en el siguiente teorema.
Teorema 42 (Propiedades de vectores en Rn ). La terna (Rn , +, ·) forma un

espacio vectorial, pues cumple las siguientes propiedades.
~ ∈ Rn y c, d escalares, entonces:
Dados ~u, ~v , w
1. ~u + ~v ∈ Rn
2. ~u + ~v = ~v + ~u
3. (~u + ~v ) + w
~ = ~u + (~v + w)
~
4. ∃~0 ∈ Rn tal que, ∀~u ∈ Rn , ~u + ~0 = ~u
5. ∀~u ∈ Rn , ∃ −~u ∈ Rn tal que ~u + (−~u) = ~0
6. c~u ∈ Rn
7. c(~u + ~v ) = c~u + c~v
8. (c + d)~u = c~u + d~u
9. c(d~u) = (cd)~u = d(c~u)

10. 1~u = ~u.
Prueba de 1.
1 ~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn ,
hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
ui + vi ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, ~u + ~v ∈ Rn 2 a .
por 4
Ejemplo 139. Sean ~u = (4, −3, 5) y ~v = (−5, 2, −1) dos vectores en R3 . Verifi-
quemos el teorema
~u + ~v = (4, −3, 5) + (−5, 2, −1)

= (4 − 5, −3 + 2, 5 − 1)
= (−1, −1, 4) ∈ R3 .
Luego, en R3 , hemos verificado la parte 1 del teorema 42.
Note que, de acuerdo a la definición 45, la suma de vectores fue definida para
sumar siempre dos vectores del mismo tamaño y que como resultado siempre
obtenemos un vector de ese mismo tamaño. Por ejemplo, al sumar dos vectores
en R2 , obtenemos un vector en R2 ; similar para R3 ; y ası́ sucesivamente. Es decir,
nosotros no sabemos sumar vectores de diferente tamaño, es algo que no hemos
definido. Por ejemplo, no podemos sumar un vector que pertenezca a R2 con uno
que pertenezca a R3 .
Ejercicio 176. Cree dos vectores en R3 y súmelos, cree dos vectores en R4 y

súmelos, cree dos vectores en R5 y súmelos y, por último, cree dos vectores en
R6 y súmelos.
El primero es un vector en R3 , el segundo lo es en R4 , el tercero lo es en R5 y
el cuarto en R6 . Si luego de la prueba quedó con dudas, los ejercicios numéricos
le ayudarán a convencerse.
Prueba de 2.
Espacios vectoriales 165
1
~u = (u1 , u2 , . . . , un ) y ~v = (v1 , v2 , . . . , vn ) ∈ Rn , hipótesis
2
~u + ~v = (u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn ), 1
por
3
= (u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (v1 + u1 , v2 + u2 , . . . , vn + un ), conmutatividad en R
5
= (v1 , v2 , . . . , vn ) + (u1 , u2 , . . . , un ), suma de vectores
6
= ~v + ~u, 1
por .
2 a .
Luego, ~u + ~v = ~v + ~u por 6
Ejemplo 140. Suponga que ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son dos vectores cuales-
quiera en R2 . Verifiquemos el teorema
~u + ~v = (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u .
Ejercicio 177. Repita el anterior ejemplo, pero con números en los dos vectores.
Ejercicio 178. Pruebe que para R3 , la parte 2 del teorema 42 se cumple.
Prueba de 3.      
u1 v1 w1
     
 u2   v2   w2 
~ =  .  ∈ Rn ,
     
1
Sean ~u =  . , ~v =  .  y w hipótesis
 ..   ..   .. 
     
un vn w
     n 
u1 v1 w1
     
 u2   v2   w2 
     
2
(~u + ~v ) + w
~ =  .  +  .  +  . , 1
por
 ..   ..   .. 
     
un vn wn
   
u 1 + v1 w1
   
 u2 + v2   w2 
   
3
= .  +  . , suma de vectores.
 ..   .. 
   
u + vn wn
 n 
(u1 + v1 ) + w1
 
 (u2 + v2 ) + w2 
 
4
= . , suma de vectores
 .. 
 
(u + vn ) + wn
 n 
u1 + (v1 + w1 )
 
 u2 + (v2 + w2 ) 
 
5
= . , asociatividad en R
 .. 
 
u + (v + wn )
 n  n 
u1 v1 + w1
   
 u2   v2 + w2 
   
6
= . + . , suma de vectores
 ..   .. 
   
u v +w
 n  n  n  
u1 v1 w1
     
 u2   v2   w2 
     
7
=  .  +  .  +  . , suma de vectores
 ..   ..   .. 
     
un vn wn
8
= ~u + (~v + w),
~ 1
por .
Luego (~u + ~v ) + w 2 a .
~ por
~ = ~u + (~v + w), 8
Ejemplo 141. Suponga que ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) y w

~ = (w1 , w2 , w3 )
3
son tres vectores cualesquiera en R . Verifiquemos el teorema

(~u + ~v ) + w
~ = (u1 , u2 , u3 ) + (v1 , v2 , v3 ) + (w1 , w2 , w3 )
= (u1 + v1 , u2 + v2 , u3 + v3 ) + (w1 , w2 , w3 )

= (u1 + v1 ) + w1 , (u2 + v2 ) + w2 , (u3 + v3 ) + w3

= u1 + (v1 + w1 ), u2 + (v2 + w2 ), u3 + (v3 + w3 )
= (u1 , u2 , u3 ) + (v1 + w1 , v2 + w2 , v3 + w3 )

= (u1 , u2 , u3 ) + (v1 , v2 , v3 ) + (w1 , w2 , w3 )
= ~u + (~v + w)
~ .
Ejercicio 179. Repita el anterior ejemplo, pero con números para los vectores.
Prueba de 4. El vector ~0 = (0, 0, . . . , 0) ∈ Rn es el vector nulo. Veamos que

~u + ~0 = ~u.
1 Sea ~u = (u1 , u2 , . . . , un ) y ~0 = (0, 0, . . . , 0) ∈ Rn , hipótesis
2 ~u + ~0 = (u1 , u2 , . . . , un ) + (0, 0, . . . , 0), por 1
3
= (u1 + 0, u2 + 0, . . . , un + 0), suma de vectores
4
= (u1 , u2 , . . . , un ), propiedad en R
5
= ~u, 1
por .
Luego ~u + ~0 = ~u, por
2 a .
5
Ejemplo 142. El vector ~0 = (0, 0, 0, 0), es el vector nulo en R4 . Veamos que

∀~u = (u1 , u2 , u3 , u4 ) ∈ R5 se cumple que ~u + ~0 = ~u.
~u + ~0 = (u1 , u2 , u3 , u4 ) + (0, 0, 0, 0)
= (u1 + 0, u2 + 0, u3 + 0, u4 + 0)
= (u1 , u2 , u3 , u4 )
= ~u .
Ejercicio 181. Repita el anterior ejemplo, pero con números para el vector ~u.
Prueba de 5. Para todo ~u = (u1 , u2 , . . . , un ) ∈ Rn su inverso es

−~u = (−u1 , −u2 , . . . , −un ). Veamos que ~u + (−~u) = ~0.
1 ~u = (u1 , u2 , . . . , un ) y −~u = (−u1 , −u2 , . . . , −un ) ∈ Rn , hipótesis
2
~u + (−~u) = (u1 , u2 , . . . , un ) + (−u1 , −u2 , . . . , −un ), 1
por
3
= (u1 + (−u1 ), u2 + (−u2 ), . . . , un + (−un )), suma de vectores
4
= (u1 − u1 , u2 − u2 , . . . , un − un ), propiedad en R
5
= (0, 0, . . . , 0), suma en R
6
= ~0, 1 en prueba 4.
por
Luego, ~u + (−~u) = ~0 por

2 a .
6
Ejemplo 143. Sea ~u = (u1 , u2 , u3 ) ∈ R3 , entonces su inverso es −~u = (−u1 , −u2 , −u3 ).
Veamos:
~u + (−~u) = (u1 , u2 , u3 ) + (−u1 , −u2 , −u3 )

= (u1 − u1 , u2 − u2 , u3 − u3 )
= (0, 0, 0)
= ~0 .
Ejercicio 183. Repita el anterior ejemplo, pero con números para ~u.
Prueba de 6.
1 Sean ~u = (u1 , u2 , . . . , un ) ∈ Rn y c un escalar,
hipótesis
2
c~u = c(u1 , u2 , . . . , un ), 1
por
3
= (cu1 , cu2 , . . . , cun ), escalar por un vector
4
cui ∈ R para i = 1, . . . , n, clausuratividad en R.
Luego, c~u ∈ Rn por
2 a .
4
Ejemplo 144. Sean c = −2 y ~u = (−2, 4, 5, 7, 0, −2) ∈ R6 , entonces
−2~u = −2(−2, 4, 5, 7, 0, −2)

= (4, −8, −10, −14, 0, 4) ∈ R6 .
Ejercicio 185. Repita el anterior ejemplo con ~u = (u1 , u2 , u3 , u4 , u5 ) ∈ R5 .
Prueba de 7.
1
~u = (u1 , u2 , . . . , un ), ~v = (v1 , v2 , . . . , vn ) ∈ Rn y
hipótesis
c un escalar,
2
c(~u + ~v ) = c[(u1 , u2 , . . . , un ) + (v1 , v2 , . . . , vn )], 1
por
3
= c(u1 + v1 , u2 + v2 , . . . , un + vn ), suma de vectores
4
= (c(u1 + v1 ), c(u2 + v2 ), . . . , c(un + vn )), escalar por un vector
5
= (cu1 + cv1 , cu2 + cv2 , . . . , cun + cvn ), distributividad en R
6
= (cu1 , cu2 , . . . , cun ) + (cv1 , cv2 , . . . , cvn ), suma de vectores
7
= c(u1 , u2 , . . . , un ) + c(v1 , v2 , . . . , vn ), escalar por un vector
8
= c~u + c~v , 1
por .
2 a
Luego c(~u + ~v ) = c~u + c~v , por 8
Ejemplo 145. Suponga que c es un escalar, y ~u = (u1 , u2 ) y ~v = (v1 , v2 ) son

dos vectores cualesquiera en R2 . Verifiquemos el teorema

c(~u + ~v ) = = c (u1 , u2 ) + (v1 , v2 )
= c(u1 + v1 , u2 + v2 )

= c(u1 + v1 ), c(u2 + v2 )
= (cu1 + cv1 , cu2 + cv2 )
= (cu1 , cu2 ) + (cv1 , cv2 )
= c(u1 , u2 ) + c(v1 , v2 )
= c~u + c~v .

Ejercicio 186. Repita el anterior ejemplo, pero con números para ~u y ~v .
Ejercicio 188. Probar 8, 9 y 10.
4.2 Espacios vectoriales
Definición 56 (Espacio vectorial). Un espacio vectorial es una tripleta (V, ⊕, ⊙),

donde V es un conjunto no vacı́o, por ejemplo Rn , dotado de dos operaciones:
operación cruz ⊕ (entre dos elementos pertenecientes a V ) y operación punto ⊙

(entre un escalar y un elemento perteneciente a V ), en el que se satisfacen las
siguientes 10 propiedades:
~ ∈ V y c, d escalares, entonces:
Dados ~u, ~v , w
1. ~u ⊕ ~v ∈ V
2. ~u ⊕ ~v = ~v ⊕ ~u
3. (~u ⊕ ~v ) ⊕ w
~ = ~u ⊕ (~v ⊕ w)
~
4. ∃~0 ∈ V tal que, ∀~u ∈ V , ~u ⊕ ~0 = ~u
5. ∀~u ∈ V , ∃ −~u ∈ V tal que ~u ⊕ (−~u) = ~0
6. c ⊙ ~u ∈ V
7. c ⊙ (~u ⊕ ~v ) = c ⊙ ~u ⊕ c ⊙ ~v
8. (c + d) ⊙ ~u = c ⊙ ~u ⊕ d ⊙ ~u
9. c ⊙ (d ⊙ ~u) = (cd) ⊙ ~u = d ⊙ (c ⊙ ~u)
10. 1 ⊙ ~u = ~u.
A los elementos de V los llamamos vectores. También, para denotar el espacio

vectorial (V, ⊕, ⊙), emplearemos V , cuando no dé lugar a confusión.
Ejemplo 146 (Espacio vectorial). Sea W el conjunto formado por los vectores
de la forma (0, x) con x ∈ R. Dadas las operaciones: ⊕ = +, suma normal
de vectores, y ⊙ = ·, multiplicación de un escalar por un vector. ¿Es la terna
(W, +, ·) un espacio vectorial?
~ = (0, w1 ) ∈ W , y los
Solución. Sean los vectores ~u = (0, u1 ), ~v = (0, v1 ) y w
escalares c, d ∈ R. Veamos que sı́ se cumplen las 10 propiedades:
1. ¿~u ⊕ ~v pertenece a W ?
~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 ) + (0, v1 ) , por hipótesis
= (0 + 0, u1 + v1 ) , por suma de vectores
= (0, u1 + v1 ) , propiedad en R.
Como el primer elemento es un cero y u1 +v1 ∈ R, se concluye que el vector
~u + ~v ∈ W .
2. ¿~u ⊕ ~v = ~v ⊕ ~u?
~u ⊕ ~v = ~u + ~v , por hipótesis
= (0, u1 + v1 ) , por propiedad 1
= (0 + 0, v1 + u1 ) , propiedades en R
= (0, v1 ) + (0, u1 ) , suma de vectores
= ~v + ~u , por hipótesis
= ~v ⊕ ~u , por hipótesis.
Luego, la suma, ‘+’, es conmutativa en W .
3. ¿~u ⊕ (~v ⊕ w)
~ = (~u ⊕ ~v ) ⊕ w?
~
~u ⊕ (~v ⊕ w)
~ = ~u + (~v + w),
~ por hipótesis

= (0, u1 ) + (0, v1 ) + (0, w1 ) , por hipótesis
= (0, u1 ) + (0, v1 + w1 ), suma de vectores

= 0, u1 + (v1 + w1 ) , suma de vectores

= 0, (u1 + v1 ) + w1 , asociatividad en R
= (0, u1 + v1 ) + (0, w1 ), suma de vectores

= (0, u1 ) + (0, v1 ) + (0, w1 ), suma de vectores
= (~u + ~v ) + w
~, por hipótesis
= (~u ⊕ ~v ) ⊕ w
~, por hipótesis.
Luego la suma, ‘+’, es asociativa en W .
4. ¿Existe un elemento neutro ~0 ∈ W , tal que ~u ⊕ ~0 = ~u?

Sı́, el elemento es ~0 = (0, 0). Obsérvese:
~u ⊕ ~0 = ~u + ~0 , por hipótesis
= (0, u1 ) + (0, 0) , por hipótesis
= (0 + 0, u1 + 0) , suma de vectores
= (0, u1 ) , suma de reales
= ~u , por hipótesis.
Luego, ~0 = (0, 0) es el elemento neutro.

5. ¿Existe un elemento inverso para todo ~u ∈ W ?

Sı́, el elemento inverso para algún ~u = (0, u1 ) es −~u = (0, −u1 ).
Obsérvese:
~u ⊕ (−~u) = ~u + (−~u) , por hipótesis

= (0, u1 ) + (0, −u1 ) , por hipótesis

= 0, u1 + (−u1 ) , suma de vectores
= (0, 0) , propiedad en R
= ~0 , por hipótesis de 4.
6. ¿c ⊙ ~u ∈ W ?
c ⊙ ~u = c~u , por hipótesis

= c(0, u1 ) , por hipótesis
= (c0, cu1 ) , multiplicación por un escalar
= (0, cu1 ) , propiedad en R.
Como el primer elemento es un cero y cu1 ∈ R, se concluye que el vector

c ⊙ ~u ∈ W .
7. ¿c ⊙ (~u ⊕ ~v ) = c ⊙ ~u ⊕ c ⊙ ~v ?
c ⊙ (~u ⊕ ~v ) = c(~u + ~v ) , por hipótesis

= c (0, u1 ) + (0, v1 ) , por hipótesis
= c(0, u1 + v1 ) , suma de vectores
= (c0, c(u1 + v1 )) , multiplicación por un escalar
= (0, cu1 + cv1 ) , propiedad en R
= (0, cu1 ) + (0, cv1 ) , suma de vectores
= c(0, u1 ) + c(0, v1 ) , multiplicación por un escalar
= c~u + c~v , por hipótesis
= c ⊙ ~u ⊕ c ⊙ ~v , por hipótesis.
8. ¿(c + d) ⊙ ~u = c ⊙ ~u ⊕ d ⊙ ~u?
(c + d) ⊙ ~u = (c + d)~u , por hipótesis

= (c + d)(0, u1 ) , por hipótesis

= (c + d)0, (c + d)u1 , multiplicación por un escalar
= (0, cu1 + du1 ) , propiedad en R

= (0, cu1 ) + (0, du1 ) , suma de vectores
= c(0, u1 ) + d(0, u1 ) , multiplicación por un escalar
= c~u + d~u , por hipótesis
= c ⊙ ~u ⊕ d ⊙ ~u , por hipótesis.
9. ¿c ⊙ (d ⊙ ~u) = (cd) ⊙ ~u?
c ⊙ (d ⊙ ~u) = c(d~u) , por hipótesis

= c d(0, u1 ) , por hipótesis
= c(0, du1 ) , multiplicación por un escalar
= (0, c(du1 )) , multiplicación por un escalar
= (0, (cd)u1 ) , asociatividad en R
= (cd)(0, u1 ) , multiplicación por un escalar
= (cd)~u , por hipótesis
= (cd) ⊙ ~u , por hipótesis.
c ⊙ (d ⊙ ~u) = d ⊙ (c ⊙ ~u) se prueba en forma similar.
10. ¿(1 ⊙ ~u) = ~u?
1 ⊙ ~u = 1~u , por hipótesis

= 1(0, u1 ) , por hipótesis
= (0, 1u1 ) , multiplicación por un escalar
= (0, u1 ) , propiedad en R
= ~u , por hipótesis.
Luego, por 1 a 10, (W, +, ·) sı́ es un espacio vectorial.

Ejemplo 147 (Espacio no vectorial). Dados W , conjunto formado por los vec-
tores de la forma (1, x), con x ∈ R, y las operaciones: ⊕ = +, suma normal de
vectores en R2 , y ⊙ = ·, multiplicación de un escalar real por un vector. ¿Es
(W, ⊕, ⊙) un espacio vectorial?
Solución. Sean ~u = (1, u1 ) y ~v = (1, v1 )
1. ¿Pertenece ~u ⊕ ~v a W ?
No, porque ~u ⊕ ~v = ~u + ~v
= (1, u1 ) + (1, v1 )
= (1 + 1, u1 + v1 )
= (2, u1 + v1 ) ∈
/ W.
Luego, ~u ⊕ ~v no pertenece a W porque el primer elemento no es un uno. Por

tanto, (W, ⊕, ⊙) no es un espacio vectorial.
Ejemplo 148 (Espacio no vectorial). Considere el conjunto V = R2 . Si ~u =
(u1 , u2 ), ~v = (v1 , v2 ), c es un escalar y las operaciones ⊕ y ⊙ son definidas como
~u ⊕ ~v = ~u + ~v , suma normal de vectores, y
c ⊙ ~u = (cu1 , u2 ) ,
¿es (R2 , ⊕, ⊙) un espacio vectorial?

~ = (w1 , w2 ) ∈ R2 y c, d ∈ R.
Solución. Sean ~u = (u1 , u2 ), ~v = (v1 , v2 ), w
1. ~u ⊕ ~v = ~u + ~v
= (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 ) ∈ R2 .
2. ~u ⊕ ~v = ~u + ~v
= (u1 , u2 ) + (v1 , v2 )
= (u1 + v1 , u2 + v2 )
= (v1 + u1 , v2 + u2 )
= (v1 , v2 ) + (u1 , u2 )
= ~v + ~u
= ~v ⊕ ~u .
3. ~u ⊕ (~v ⊕ w) = ~u + (~v + w)
~

= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )
= (u1 , u2 ) + (v1 + w1 , v2 + w2 )

= u1 + (v1 + w1 ), u2 + (v2 + w2 )

= (u1 + v1 ) + w1 , (u2 + v2 ) + w2
= (u1 + v1 , u2 + v2 ) + (w1 , w2 )

= (u1 , u2 ) + (v1 , v2 ) + (w1 , w2 )
= (~u + ~v ) + w
~
= (~u ⊕ ~v ) ⊕ w
~.
4. El elemento neutro es ~0 = (0,0) .

~u ⊕ ~0 = ~u + ~0
= (u1 , u2 ) + (0, 0)
= (u1 + 0, u2 + 0)
= (u1 , u2 )
= ~u .
5. El inverso de ~u es − ~u = (−u1 , −u2 ).
~u ⊕ −~u = ~u + (−~u)
= (u1 , u2 ) + (−u1 , −u2 )

= u1 + (−u1 ), u2 + (−u2 )
= (0, 0)
= ~0 .
6. c ⊙ ~u = c ⊙ (u1 , u2 )
= (cu1 , u2 ) ∈ R2 .

7. c ⊙ (~u ⊕ ~v ) = c ⊙ (u1 , u2 ) + (v1 , v2 )
= c ⊙ (u1 + v1 , u2 + v2 )

= c(u1 + v1 ), u2 + v2
= (cu1 + cv1 , u2 + v2 )
= (cu1 , u2 ) + (cv1 , v2 )
= c ⊙ (u1 , u2 ) + c ⊙ (v1 , v2 )
= c ⊙ ~u ⊕ c ⊙ ~v .
8. (c + d) ⊙ ~u = (c + d) ⊙ (u1 , u2 )

= (c + d)u1 , u2
= (cu1 + du1 , u2 ) . (4.1)
Por otra parte
c ⊙ ~u ⊕ d ⊙ ~u = c ⊙ (u1 , u2 ) + d ⊙ (u1 , u2 )
= (cu1 , u2 ) + (du1 , u2 )
= (cu1 + du1 , 2u2 ) . (4.2)
Como (4.1) 6= (4.2), entonces la propiedad 8 no se cumple. Luego (R2 , ⊕, ⊙) no
es un espacio vectorial por la forma como está definida la operación ⊙.
Ejercicio 190. Probar que la terna (V, ⊕, ⊙), donde V es el conjunto formado
por las matrices reales de dos por dos, ⊕ es la suma normal de matrices y ⊙ es
la multiplicación de un escalar real por una matriz, es un espacio vectorial; es
decir, probar que (M2×2 , +, ·) es un espacio vectorial.
Ayuda. " # " # " #
a1 a2 b1 b2 c1 c2
Defina A = ,B= ,C= ∈ M2×2 , y d, e ∈ R.
a3 a4 b3 b4 c3 c4
Ejemplo 149 (Espacio vectorial). Sea P2 el conjunto formado por todos los
polinomios de grado menor o igual a dos, ⊕ es la operación suma normal de
polinomios y ⊙ es la operación multiplicación de un escalar real por un polinomio.
¿Es (P2 , ⊕, ⊙) un espacio vectorial?
Solución. Sean p(t) = a2 t2 +a1 t+a0 , q(t) = b2 t2 +b1 t+b0 , r(t) = c2 t2 +c1 t+c0 ∈
P2 y d, e ∈ R.
1. p(t) ⊕ q(t) = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )

= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) ∈ P2 .
2. p(t) ⊕ q(t) = (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )

= (b2 + a2 )t2 + (b1 + a1 )t + (b0 + a0 )
= (b2 t2 + b1 t + b0 ) + (a2 t2 + a1 t + a0 )
= q(t) ⊕ p(t) .
3. p(t) ⊕ (q(t) ⊕ r(t)) =

= (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 ) + (c2 t2 + c1 t + c0 )

= (a2 t2 + a1 t + a0 ) + (b2 + c2 )t2 + (b1 + c1 )t + (b0 + c0 )

= a2 + (b2 + c2 ) t2 + a1 + (b1 + c1 ) t + a0 + (b0 + c0 )

= (a2 + b2 ) + c2 t2 + (a1 + b1 ) + c1 t + (a0 + b0 ) + c0

= (a2 + b2 )t2 + c2 t2 + (a1 + b1 )t + c1 t + (a0 + b0 ) + c0

= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) + (c2 t2 + c1 t + c0 )

= (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 ) + (c2 t2 + c1 t + c0 )
= (p(t) ⊕ q(t)) ⊕ r(t) .
4. El elemento neutro es ~0 = 0t2 + 0t + 0 .

p(t) ⊕ ~0 = (a2 t2 + a1 t + a0 ) + (0t2 + 0t + 0)
= (a2 + 0)t2 + (a1 + 0)t + (a0 + 0)
= a2 t2 + a1 t + a0
= p(t) .
5. El inverso de p(t) es − p(t) = −a2 t2 − a1 t − a0 .

p(t) ⊕ −p(t) = (a2 t2 + a1 t + a0 ) + (−a2 t2 − a1 t − a0 )

= a2 + (−a2 ) t2 + a1 + (−a1 ) t + a0 + (−a0 )
= 0t2 + 0t + 0
= ~0 .
6. d ⊙ p(t) = d ⊙ (a2 t2 + a1 t + a0 )
= da2 t2 + da1 t + da0 ∈ P2 .

7. d ⊙ p(t) ⊕ q(t) = d ⊙ (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )

= d ⊙ (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 )
= d(a2 + b2 )t2 + d(a1 + b1 )t + d(a0 + b0 )
= da2 t2 + db2 t2 + da1 t + db1 t + da0 + db0
= (da2 t2 + da1 t + da0 ) + (db2 t2 + db1 t + db0 )
= d(a2 t2 + a1 t + a0 ) + d(b2 t2 + b1 t + b0 )
= d ⊙ p(t) ⊕ d ⊙ q(t) .
8. (d + e) ⊙ p(t) = (d + e) ⊙ (a2 t2 + a1 t + a0 )
= (d + e)a2 t2 + (d + e)a1 t + (d + e)a0
= da2 t2 + ea2 t2 + da1 t + ea1 t + da0 + ea0
= d(a2 t2 + a1 t + a0 ) + e(a2 t2 + a1 t + a0 )
= d ⊙ p(t) ⊕ e ⊙ p(t) .

9 c ⊙ (d ⊙ p(t)) = c ⊙ d ⊙ (a2 t2 + a1 t + a0 )
= c ⊙ (da2 t2 + da1 t + da0 )
= cda2 t2 + cda1 t + cda0
= cd(a2 t2 + a1 t + a0 )
= cd ⊙ p(t) .
c ⊙ (d ⊙ p(t)) = d ⊙ (c ⊙ p(t)) se prueba en forma similar.
10. 1 ⊙ p(t) = 1 ⊙ (a2 t2 + a1 t + a0 )

= 1a2 t2 + 1a1 t + 1a0

= a2 t2 + a1 t + a0
= p(t) .
Luego, como cumple las 10 propiedades, (P2 , +, ·) es un espacio vectorial.
Ejercicio 191. Probar que P1 , polinomios de grado menor o igual a uno, bajo la
suma usual de polinomios y la multiplicación usual por un escalar, es un espacio
vectorial.

4.3 Subespacios vectoriales
Definición 57 (Subespacio vectorial). Dado un espacio vectorial (V, ⊕, ⊙) y W

un subconjunto de V , W 6= ∅, decimos que W es un subespacio de V si y solo si
(W, ⊕, ⊙) es un espacio vectorial.
Ejemplo 150 (Subespacio vectorial). En el ejemplo 146, W es un subespacio

de R2 , pues W ⊆ R2 y cumple las 10 propiedades.
Ejemplo 151 (Subespacio vectorial). Todo espacio vectorial (V, ⊕, ⊙) tiene por
lo menos dos subespacios: el mismo V y el conjunto {~0}, donde ~0 es el elemento
nulo de V .
Teorema 43 (Subespacio vectorial). Dado un espacio vectorial (V, ⊕, ⊙) y W

un subconjunto de V , W 6= ∅. Entonces W es subespacio de V si y solo si,
∀~u, ~v ∈ W y c escalar, se cumple:
1. ~u ⊕ ~v ∈ W
2. c ⊙ ~u ∈ W .
Ejemplo 152 (Subespacio vectorial). Recordemos el ejemplo 146. Sea W el

conjunto formado por los vectores de la forma (0, x) con x ∈ R. Dadas las
operaciones: ⊕ = +, suma normal de vectores, y ⊙ = ·, multiplicación de un
escalar por un vector. ¿Es la terna (W, +, ·) un subespacio vectorial de R2 ?
Solución. Claramente W es subconjunto de R2 y corresponde a los vectores
que están sobre el eje y en el plano cartesiano. Entonces, para responder a la
pregunta solo es necesario mostrar que la suma de dos vectores cualesquiera

pertenecientes a W y la multiplicación de un escalar por un vector perteneciente
a W , pertenecen a W .
Sean los vectores ~u = (0, u1 ) y ~v = (0, v1 ) ∈ W , y el escalar c ∈ R, entonces:
1. ¿~u ⊕ ~v pertenece a W ?
~u ⊕ ~v = (0, u1 ) + (0, v1 ) , por hipótesis

= (0, u1 + v1 ) , por suma de vectores.
Como el primer elemento es un cero y u1 +v1 ∈ R, se concluye que el vector

~u ⊕ ~v ∈ W . 1
2. ¿c ⊙ ~u pertenece a W ?
c ⊙ ~u = c(0, u1 ) , por hipótesis

= (0, cu1 ) , multiplicación de un escalar por un vector.
Como el primer elemento es un cero y cu1 ∈ R, se concluye que el vector

c ⊙ ~u ∈ W . 2
2 se concluye que W sı́ es un subespacio de R2 .

1 y ,
Luego, de
Ejemplo 153 (Subespacio vectorial). Al principio del curso conocimos las ma-
trices de tamaño m × n y sus propiedades, pues bien, se puede probar que Mm×n
con las operaciones ⊕ = +, suma de matrices, y ⊙ = ·, multiplicación de un es-
calar por una matriz, conforman un espacio vectorial (se reta al estudiante a
hacerlo).
Ahora, dado
  


 a1 0 



S =  0 a2  / a1 , a2 , a3 , ∈ R ,
 

 

 a 0 
3
¿es (S, +, ·) subespacio del espacio vectorial (M3×2 , +, ·)?

Solución.
   
a1 0 b1 0
   
~ =  0 a2  y B
1. Sean A ~ =  0 b2  con a1 , a2 , a3 , b1 , b2 , b3 ∈ R.
   
a3 0 b3 0
   
a1 0 b1 0
   
~+B
A ~ =  0 a2  +  0 b2 
   
a3 0 b3 0
 
a 1 + b1 0
 
= 0 a 2 + b 2
.

a 3 + b3 0
~ +B
como a1 + b1 , a2 + b2 y a3 + b3 ∈ R y las otras entradas de A ~ son cero,
~ ~
entonces A + B ∈ S. 1
 
a1 0
 
2. Sea d ∈ R y A ~ =  0 a2 , entonces
 
a3 0
 
a 0
 1 
~
dA = d  0 a2 


a3 0
 
da1 0
 
= 0 da 2
.

da3 0
~ son cero, entonces

Como da1 , da2 y da3 ∈ R y las otras entradas de dA
~
dA ∈ S. 2
1 y ,
Luego, de 2 se concluye que S sı́ es un subespacio de M3×2 .
Ejemplo 154 (Subespacio vectorial). Dado el espacio vectorial (Pn , +, ·) donde

Pn son los polinomios de grado menor o igual que n. Mostrar que P2 es un
subespacio de Pn , para n ≥ 2.
Solución.
1. Sean los polinomios p~1 = a2 t2 + a1 t + a0 y ~p2 = b2 t2 + b1 t + b0 ∈ P2 con

a2 , a1 , a0 , b2 , b1 , b0 ∈ R, entonces
p1 + p~2 = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )

~
= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) .
Como a2 + b2 , a1 + b1 y a0 + b0 ∈ R, entonces p~1 + ~p2 ∈ P2 . 1

2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces
p = c(a2 t2 + a1 t + a0 )
c~
= c a2 t 2 + c a1 t + c a0 .
Como ca2 , ca1 y ca0 ∈ R, entonces c~

p ∈ P2 . 2

1 y ,
Luego, de 2 se concluye que P2 sı́ es un subespacio de Pn .
Ejemplo 155 (No subespacio vectorial). Dado el espacio vectorial (Pn , +, ·)

donde Pn son los polinomios de grado menor o igual que n. Mostrar que (V, +, ·)
donde V son los polinomios de grado igual a 2 no es un subespacio de Pn .
Solución.
1. Sean los polinomios p~1 = a2 t2 + a1 t + a0 y ~p2 = b2 t2 + b1 t + b0 ∈ P2 con

a2 , a1 , a0 , b2 , b1 , b0 ∈ R, entonces
p1 + p~2 = (a2 t2 + a1 t + a0 ) + (b2 t2 + b1 t + b0 )

~
= (a2 + b2 )t2 + (a1 + b1 )t + (a0 + b0 ) .
Aunque a2 + b2 , a1 + b1 y a0 + b0 ∈ R, si b2 = −a2 , entonces a2 + b2 = 0.

Luego, ~p1 + p~2 ∈
/ V . Luego, se concluye que V no es un subespacio de Pn .
Aunque no es necesario, mostremos que tampoco cumple la segunda con-
dición cuando c es cero:
2. Sea c ∈ R y p~ = a2 t2 + a1 t + a0 ∈ P2 , entonces
p = c(a2 t2 + a1 t + a0 )
c~
= c a2 t 2 + c a1 t + c a0 .
Aunque a2 + b2 , a1 + b1 y a0 + b0 ∈ R, si c = 0, entonces c~
p∈/ V . Luego, se
concluye que V no es un subespacio de Pn .
Definición 58 (Combinación lineal). En un espacio vectorial V , un vector ~u se

dice que es combinación lineal (CL) de un conjunto de vectores {~u1 , ~u2 , . . . , ~un } si
existe una forma de expresarlo como una suma de todos estos vectores multipli-
cados cada uno de ellos por un coeficiente escalar, es decir, si existen c1 , c2 , . . . , cn
tales que
~u = c1 ~u1 + c2 ~u2 + · · · + cn ~un .
Ejemplo 156 (Combinación lineal). En R2 , el vector ~u = (7, 5) es CL de los
vectores ~u1 = (2, 3) y ~u2 = (−3, 1) pues con c1 = 2 y c2 = −1 se puede verificar
que ~u = c1 ~u1 + c2 ~u2 . Observe la figura 4.1.
u =2u 1 - u 2
u1
u2
Figura 4.1: ~u es combinación lineal de los vectores ~u1 y ~u2
Ejemplo 157 (Combinación lineal). ¿En (R3 , +, ·), es el vector ~u = (10, 2, −2)
CL de los vectores ~u1 = (3, 2, 5), ~u2 = (5, 0, 1) y ~u3 = (0, −2, 4)?
Solución. El vector ~u es CL de los vectores ~u1 , ~u2 y ~u3 si existen c1 , c2 , c3
escalares tales que
c1 ~u1 + c2 ~u2 + c3 ~u3 = ~u . (4.3)
Al sustituir los valores de ~u1 , ~u2 , ~u3 y ~u en (4.3) obtenemos
c1 (3, 2, 5) + c2 (5, 0, 1) + c3 (0, −2, 4) = (10, 2, −2)
(3c1 , 2c1 , 5c1 ) + (5c2 , 0c2 , 1c2 ) + (0c3 , −2c3 , 4c3 ) = (10, 2, −2)
(3c1 + 5c2 + 0c3 , 2c1 + 0c2 − 2c3 , 5c1 + c2 + 4c3 ) = (10, 2, −2) .
De donde se deriva el sistema lineal
3c1 + 5c2 + 0c3 = 10

2c1 + 0c2 − 2c3 = 2

5c1 + c2 + 4c3 = −2 .
Al resolver por Gauss-Jordan (hacerlo) obtenemos que c1 = 0, c2 = 2 y c3 = −1.

Se puede verificar que 0(3, 2, 5) + 2(5, 0, 1) − (0, −2, 4) = (10, 2, −2). Entonces ~u
sı́ es CL de ~u1 , ~u2 y ~u3 .
Ejemplo 158 (Combinación lineal). ¿En el espacio vectorial (M2×2 , +, ·), es el

vector
" #
~= 2 5
A
−4 0
combinación lineal de los vectores

" # " # " #
~ 2 0 ~ 0 10 ~ 0 0
A1 = , A2 = y A3 = ?
0 0 0 0 2 0
Solución.
~ 1 + c2 A
c1 A ~ 2 + c3 A
~3 = A
~
" # " # " # " #
2 0 0 10 0 0 2 5
c1 + c2 + c3 =
0 0 0 0 2 0 −4 0
" # " #
2c1 + 0c2 + 0c3 0c1 + 10c2 + 0c3 2 5
= .
0c1 + 0c2 + 2c3 0c1 + 0c2 + 0c3 −4 0
Igualando término a término tenemos


2c1 =2 


c1 =1

 

10c2 =5 
⇒ c2 = 1/2
2c3 = −4




c = −2 .

 3
0 =0
~
~1 + 1 A ~ ~ ~ ~ ~ ~
Ası́, 1A 2 2 − 2A3 = A, entonces A sı́ es CL de A1 , A2 , y A3 .
Ejemplo 159 (Combinación lineal). ¿En P2 , es el vector p~ = 4t2 − 10t + 16 CL

de p~1 = 2t2 + t + 3 y ~
p2 = 3t + 5?
Solución.
c1 ~
p1 + c2 ~
p2 = p~
c1 (2t + t + 3) + c2 (3t + 5) = 4t2 − 10t + 16
2
2c1 t2 + (c1 + 3c2 )t + (3c1 + 5c2 ) = 4t2 − 10t + 16 .
De donde se obtiene
 
2c1 t2 = 4t2 

 2c1 + 0c2 = 4


c1 t + 3c2 t = −10t ⇒ c1 + 3c2 = −10

 

3c1 + 5c2 = 16  3c + 5c = 16 .
1 2
Resolviendo por Gauss-Jordan

 ..   .. 
2 0 . 4 1 0 . 2
.. ..
f1 ← 12 f1 1 3
   
1 3 . −10 . −10
.. ..
3 5 . 16 3 5 . 16
 ..   .. 
1 0 . 2 1 0 . 2
f2 ← f2 − f1  ..  f3 ← 15 f3  .. 
f3 ← f3 −3f1 0
 3 . −12 f2 ← 13 f2 0 1
 . −4
.. ..
0 5 . 10 0 1 . 2
 .. 
1 0 . 2
 .. 
f3 ← f3 − f2 0
 1 . −4 .
..
0 0 . 6
El sistema es inconsistente, pues cero es diferente de seis, luego, no existen c1 y

c2 tales que c1 ~p1 + c2 ~
p2 = p~. Se concluye que p~ no es CL de p~1 y p~2 .
Definición 59 (Generado de S). Al conjunto de todos los vectores que son CL

del conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } se le denota como
gen(S) o gen({~u1 , ~u2 , . . . , ~un }) ,
y se lee generado de S.
Ejemplo 160 (Generado de S). Con ı̂ = (1, 0) y ̂ = (0, 1), entonces
gen ({ı̂, ̂}) = c1 ı̂ + c2 ̂

= c1 (1, 0) + c2 (0, 1)
= (c1 , c2 ) ,
es decir, ı̂ y ̂ generan a cualquier vector en R2 .
" # " #
~= 1 0 ~ = 0 0
Ejemplo 161 (Generado de S). Si A yB , entonces
0 0 0 1

gen {A,~ B}
~ = c1 A~ + c2 B~
" # " #
1 0 0 0
= c1 + c2
0 0 0 1
" #
c1 0
= ,
0 c2
~ B}
es decir, {A, ~ genera el conjunto de matrices diagonales de dimensión dos por
dos.
Ejercicio 193. Con qué matrices generarı́amos el conjunto de matrices escalares
de dimensión dos por dos?
" #
Respuesta. 1 0
0 1
Ejemplo 162 (Generado de S). Determinar el espacio generado por los vectores
p~1 y p~2 ∈ P2 , donde p~1 = 2t2 + 5 y ~
p2 = t + 8.
Solución. Sean a y b ∈ R, entonces
p1 , p~2 }) = a~
gen ({~ p1 + b~
p2
= a(2t2 + 5) + b(t + 8)
= 2at2 + bt + (5a + 8b) . (4.4)
Concluimos que los vectores generados por ~p1 y ~p2 son de la forma expresada en
(4.4).
Teorema 44. Dado el conjunto S = {~u1 , ~u2 , . . . , ~un } en un espacio vectorial
(V, ⊕, ⊙), entonces gen(S) es subespacio de V .
Definición 60 (Conjunto generador). Un espacio vectorial (V, ⊕, ⊙) es generado
por S = {~u1 , ~u2 , . . . , ~un } ⊆ V si cada vector en V puede ser expresado como CL
de los vectores en S, es decir, si gen(S) = V .
Ejemplo 163 (Conjunto generador). En el espacio vectorial (R2 , +, ·), ¿los vec-
tores ~u1 = (1, 1) y ~u2 = (−1, 1) generan a R2 ?
Solución. En general, un vector en R2 es de la forma ~u = (a, b) con a, b ∈ R.
Expresemos el vector ~u en términos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en términos de a y b, diremos
que ~u1 y ~u2 sı́ generan a R2 . Veamos.
c1 (1, 1) + c2 (−1, 1) = (a, b)

(c1 , c1 ) + (−c2 , c2 ) = (a, b)
(c1 − c2 , c1 + c2 ) = (a, b) .
Obtenemos el sistema lineal
c1 − c2 = a
c1 + c2 = b .
Resolviendo este sistema por Gauss–Jordan (hacerlo) encontramos que
a+b b−a
c1 = y c2 = .
2 2
Como no existen restricciones para c1 ni para c2 , entonces ~u1 y ~u2 sı́ generan a
R2 .
Ejercicio 194. Mostrar que los vectores ~u1 = (−1, 1) y ~u2 = (−1, −1) generan
a R2
Respuesta.
b−a a+b
c1 = y c2 = − .
2 2
Ejemplo 164 (Espacio generado). ¿Los vectores ~u1 = (1, 1, 1), ~u2 = (1, −1, 1)
y ~u3 = (1, 1, −1) generan el espacio vectorial (R3 , +, ·)?
Solución.
1. Un vector en R3 es de la forma ~v = (a, b, c) con a, b, c ∈ R.
2. Si ~v puede ser expresado como combinación lineal de S = {~u1 , ~u2 , ~u3 } sin
alguna restricción, entonces se dice que S genera a R3 .
3. Sea
~v = c1 ~u1 + c2 ~u2 + c3 ~u3

(a, b, c) = c1 (1, 1, 1) + c2 (1, −1, 1) + c3 (1, 1, −1)
(a, b, c) = (c1 , c1 , c1 ) + (c2 , −c2 , c2 ) + (c3 , c3 , −c3 )
(a, b, c) = (c1 + c2 + c3 , c1 − c2 + c3 , c1 + c2 − c3 ) .
4. De donde se obtiene
c1 + c2 + c3 = a
c1 − c2 + c3 = b
c1 + c2 − c3 = c ,
que corresponde a un sistema de tres ecuaciones con tres incógnitas.
5. Al resolver por Gauss–Jordan (hacerlo) se obtiene:

b+c
c1 = ,
2
a−b
c2 = ,
2
a−c
c3 = .
2
6. Se observa que c1 , c2 y c3 pueden tomar cualquier valor real, es decir, no

hay restricciones. Luego S sı́ genera a R3 .
Ejemplo 165 (Conjunto no generador). En el espacio vectorial (R2 , +, ·), ¿los
vectores ~u1 = (1, 1) y ~u2 = (−2, −2) generan a R2 ?
Solución. En general, un vector en R2 es de la forma ~u = (a, b) con a, b ∈ R.
Expresemos el vector ~u en términos de los vectores ~u1 y ~u2 , es decir, c1 ~u1 +c2 ~u2 =
~u. Ahora, sino existen restricciones para c1 y c2 , en términos de a y b, diremos
que ~u1 y ~u2 sı́ generan a R2 . Veamos.
c1 (1, 1) + c2 (−2, −2) = (a, b)

(c1 , c1 ) + (−2c2 , −2c2 ) = (a, b)
(c1 − 2c2 , c1 − 2c2 ) = (a, b) .
Obtenemos el sistema lineal
c1 − 2c2 = a
c1 − 2c2 = b .
Resolviendo este sistema por Gauss–Jordan (hacerlo) encontramos que 0 = b−a,

es decir, a = b. Luego, u~1 y u~2 generan únicamente vectores en R2 de la forma
~u = (u, u), es decir, aquellos vectores donde la primera componente es igual a la
segunda. Por tanto, no generan un vector como (3, 7), por ejemplo.
Ejercicio 195 (Conjunto no generador). En el espacio vectorial (R2 , +, ·), mos-
trar que los vectores ~u1 = (−1, 1) y ~u2 = (3, −3) no generan a R2 .
Ejemplo 166 (Espacio no generado). Sean los vectores

" # " # " #
A~1 = 1 0 ~2 =
,A
0 1
yA~3 = 0 0
.
0 0 0 0 1 0
¿El conjunto S = {A ~1, A

~2, A
~ 3 } genera el espacio vectorial (M2×2 , ⊕, ⊙) donde
M2×2 son matrices reales de 2 × 2, ⊕ es la operación suma entre matrices y ⊙
es la multiplicación de un real por una matriz?
Solución.
" #
~= a b
1. Sea A con a, b, c, d ∈ R.
c d
2. ~ 1 + c2 A
c1 A ~ 2 + c3 A
~3 = A
~
" # " # " # " #
1 0 0 1 0 0 a b
c1 + c2 + c3 =
0 0 0 0 1 0 c d
" # " #
c1 c2 a b
= .
c3 0 c d
3. Entonces c1 = a, c2 = b, c3 = c y d = 0.
4. Se observa que c1 , c2 y c3 pueden tomar cualquier valor real, pero d tiene

que tomar siempre el valor nulo, luego, existe esta restricción. El espacio
generado por S es de la forma
" #
a b
.
c 0
Se concluye que S no genera a M2×2 .

Ejemplo 167 (Espacio generado). ¿El conjunto S = {t2 , t, 1} genera a P2 ?

Solución.
1. Un vector en P2 es de la forma
at2 + bt + c . (4.5)
2. Expresando (4.5) como combinación lineal de S, se tiene
c1 t2 + c2 t + c3 = at2 + bt + c .
3. Luego, c1 = a, c2 = b y c3 = c.
4. Se concluye que S sı́ genera a P2 , pues no hay restricciones.
Ejemplo 168 (Conjunto generador). Dado S = {p~1 = t2 + t + 1, p~2 = 2t2 − t +

2, p~3 = t2 + 2} ¿Genera S a P2 ?
Solución. Un vector en P2 es de la forma p~ = at2 + bt + c, entonces
c1 p~1 + c2 p~2 + c3 p~3 = p~

c1 (t + t + 1) + c2 (2t − t + 2) + c3 (t2 + 2) = at2 + bt + c
2 2
(c1 + 2c2 + c3 )t2 + (c1 − c2 )t + (c1 + 2c2 + 2c3 ) = at2 + bt + c ,
es decir,
c1 + 2c2 + c3 = a
c1 − c2 + 0c3 = b
c1 + 2c2 + 2c3 = c .
Resolviendo este sistema por Gauss–Jordan se tiene

 .   . 
1 2 1 .. a 1 2 1 .. a
.  f2 ← f2 −f1  .
1 −1 0 .. b  −3 −1 .. b − a
 
0
. f3 ← f3 −f1 ..
1 2 2 .. c 0 0 1 . c−a
 .   . 
1 2 0 .. 2a − c 1 .
2 0 . 2a − c
f2 ← f2 +f3  . f2  .
0 −3 0 .. b + c − 2a 1 0 .. (2a−b−c)
 
f2 ← 0 
f1 ← f1 −f3 . −3 .. 3
0 0 1 .. c−a 0 0 1 . c−a
 . 
1 0 0 .. 2a+2b−c
3
.
f1 ← f1 − 2f2 0 1 0 ..
 
2a−b−c  .
. 3
0 0 1 .. c−a
Entonces
(2a + 2b − c)
c1 =
3
(2a − b − c)
c2 =
3
c3 = c − a .
Como no existen restricciones para c1 , c2 o para c3 , entonces S sı́ genera a P2 .
Independencia lineal
Definición 61 (Conjunto linealmente independiente y conjunto linealmente de-
pendiente). Dado un espacio vectorial (V, ⊕, ⊙), se dice que un conjunto de vec-
tores S = {~v1 , ~v2 . . . , ~vk } ⊆ V es linealmente independiente (LI) si la expresión
c1~v1 + c2~v2 + · · · + ck ~vk
es igual al vector nulo únicamente cuando c1 = c2 = · · · = ck = 0.
Si algún ci es diferente de cero, entonces diremos que S es linealmente de-
pendiente (LD).
Ejemplo 169 (Vectores LI). En el espacio vectorial (R2 , +, ·), los vectores ~u1 =
(1, 1) y ~u2 = (−1, 1) son LI pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (−1, 1) = (0, 0)
(c1 − c2 , c1 + c2 ) = (0, 0) .
De donde se obtiene el sistema lineal
c1 − c2 = 0
c1 + c2 = 0 .
Resolviendo por Gauss–Jordan
   
. .
1 −1 .. 0 1 −1 .. 0

..
 f2 ← f2 −f1  ..

1 1 . 0 0 2 . 0
   
.. ..
1 −1 . 0 1 0 . 0
f2 ← f2 /2  ..
 f1 ← f1 +f2  ..
.
0 1 . 0 0 1 . 0
De donde se obtiene que c1 = c2 = 0. Entonces ~u1 y ~u2 sı́ son LI. Observe la
figura 4.2.
u2 u1
Figura 4.2: vectores en R2 LI
Ejemplo 170 (Vectores LD). En el espacio vectorial (R2 , +, ·), los vectores
~u1 = (1, 1) y ~u2 = (−1, −1) son LD pues
c1 ~u1 + c2 ~u2 = ~0
c1 (1, 1) + c2 (−1, −1) = (0, 0)
(c1 − c2 , c1 − c2 ) = (0, 0) .
De donde se obtiene el sistema lineal
c1 − c2 = 0
c1 − c2 = 0 .
Resolviendo por Gauss–Jordan
   
. .
1 −1 .. 0 1 −1 .. 0

.
 f2 ← f2 −f1  .
.
1 −1 .. 0 0 0 .. 0
De donde se obtiene que c1 = c2 . Si c2 = r ∈ R, entonces c1 = r. Ası́, c1 y c2
pueden tomar infinitos valores reales. Luego, ~u1 y ~u2 son LD. Ellos son mostrados
en la figura 4.3; observe que ~u1 = −~u2 .
Pregunta. ¿Generan ~u1 y ~u2 a R2 ?
Ejemplo 171 (Vectores LI). ¿En (R3 , +, ·), los vectores ~u1 = (2, 1, 0), ~u2 =
(0, 1, 2) y ~u3 = (0, 0, 1) son LI o LD?
Solución.
u1
u2
Figura 4.3: vectores en R2 LD
1. Igualemos al vector nulo
c1 ~u1 + c2 ~u2 + c3 ~u3 = ~0

c1 (2, 1, 0) + c2 (0, 1, 2) + c3 (0, 0, 1) = (0, 0, 0)
(2c1 + 0c2 + 0c3 , 1c1 + 1c2 + 0c3 , 0c1 + 2c2 + 1c3 ) = (0, 0, 0) .
2. Lo anterior origina el sistema lineal
2c1 + 0c2 + 0c3 = 0 1

1c1 + 1c2 + 0c3 = 0 2

0c1 + 2c2 + 1c3 = 0 . 3

1 se obtiene c1 = 0
De 4

4 en
Al reemplazar 2 se obtiene c2 = 0 5

5 en
Reemplazando 3 se obtiene c3 = 0
3. Como c1 = c2 = c3 = 0, entonces ~u1 , ~u2 y ~u3 son LI.

Ejemplo 172 (Vectores LD). En (R3 , +, ·), determine si los vectores ~v1 =
(1, 2, 3), ~v2 = (−1, 1, 0) y ~v3 = (1, 0, 1) son LI o LD.
Solución.
c1~v1 + c2~v2 + c3~v3 = ~0

c1 (1, 2, 3) + c2 (−1, 1, 0) + c3 (1, 0, 1) = (0, 0, 0)
(c1 − c2 + c3 , 2c1 + c2 , 3c1 + c3 ) = (0, 0, 0) .
Entonces
c1 − c2 + c3 = 0
2c1 + c2 = 0
3c1 + c3 = 0 .
Por Gauss–Jordan
 .   . 
1 −1 1 .. 0 1 −1 1 .. 0
..  f2 ← f2 −2f1  . 
3 −2 .. 0

2 1 0 . 0 f3 ← f3 −3f1 0
 
.. .
3 0 1 . 0 0 3 −2 .. 0
 .   .. 
1 −1 1 .. 0 1 −1 1 . 0
.  . 
3 −2 .. 0 f2 ← 31 f2 0 1 −2/3 .. 0
 
f3 ← f3 − f2 0
. ..
0 0 0 .. 0 0 0 0 . 0
 . 
1 0 1/3 .. 0
. 
1 −2/3 .. 0 .

f1 ← f1 + f2 0
..
0 0 0 . 0
Esto implica que, si c3 = r ∈ R, entonces c2 = 2r 3 y c1 =

−r
3 . Luego, el sistema
tiene infinitas soluciones, entonces ~v1 , ~v2 y ~v3 son LD.
Ejemplo 173 (Vectores LI). ¿En (M2×2 , +, ·), los vectores

" # " #
~1 = 2 0 ~2 = 0 0
A yA
0 0 1 1
son LI o LD?
Solución.
~ 1 + c2 A
c1 A ~ 2 = ~0
" # " # " #
2 0 0 0 0 0
c1 + c2 =
0 0 1 1 0 0
" # " #
2c1 0 0 0
= .
c2 c2 0 0
Esto implica que 2c1 = 0

0=0
c2 = 0
c2 = 0 .
Tenemos un sistema consistente de cuatro ecuaciones y dos incógnitas, con

~1 y A
c1 = 0 y c2 = 0. Luego A ~ 2 son LI.
Ejemplo 174 (Vectores LI). ¿En P2 , los vectores p~1 = t2 + t, p~2 = t + 1 y

p~3 = t2 + 1 son LI o LD?
Solución.
c1 p~1 + c2 p~2 + c3 p~3 = ~0

c1 (t2 + t) + c2 (t + 1) + c3 (t2 + 1) = 0t2 + 0t + 0
(c1 + c3 )t2 + (c1 + c2 )t + (c2 + c3 ) = 0t2 + 0t + 0 .
Entonces
c1 + c3 = 0
c1 + c2 = 0
c2 + c3 = 0 .
Por Gauss–Jordan
 .   . 
1 0 1 .. 0 1 0 1 .. 0
.  . 
1 1 0 .. 0f2 ← f2 − f1 0 1 −1 .. 0
 
. .
0 1 1 .. 0 0 1 1 .. 0
 .   .. 
1 0 1 .. 0 1 0 1 . 0
.  . 
f3 ← f3 − f2 0 1 −1 .. 0f3 ← 12 f3 0 1 −1 .. 0
 
. .
0 0 2 .. 0 0 0 1 .. 0
 . 
1 0 0 .. 0
f1 ← f1 −f3  .. 
.
f2 ← f2 +f3 0 1 0 .. 0

0 0 1 .. 0
Luego, c1 = c2 = c3 = 0, es decir, p~1 , p~2 y p~3 son LI.
Ejemplo 175 (Vectores LD). Dados los vectores
p1 (t) = 2t2 + 1 ,
p2 (t) = −t − 2 ,
p3 (t) = 2t2 − t − 1 .
¿Es S = {p1 (t), p2 (t), p3 (t)} LI o LD?

Solución.
1. c1 p1 (t) + c2 p2 (t) + c3 p3 (t) = 0 (4.6)

2 2 2
c1 (2t + 1) + c2 (−t − 2) + c3 (2t − t − 1) = 0t + 0t + 0
(2c1 + 2c3 )t2 + (−c2 − c3 )t + (c1 − 2c2 − c3 ) = 0t2 + 0t + 0 .
2. Luego 2c1 + 2c3 = 0

−c2 − c3 = 0
c1 − 2c2 − c3 = 0 .
3. Al resolver por Gauss–Jordan se encuentra que, con c3 = r ∈ R, c1 = c2 =

−r. Luego, S es LD, por ejemplo, si c1 = c2 = 1 y c3 = −1, entonces (4.6)
se hace cero.
Teorema 45. En un espacio vectorial (V, ⊕, ⊙), un conjunto de vectores S =
{~v1 , ~v2 , . . . , v~n }, no nulos, es LD si y solo si al menos uno de los vectores es CL
de los vectores que le preceden.
Prueba.
’=⇒’
Puesto que S es LD, entonces, en
c1~v1 + c2~v2 + · · · + cn~vn = ~0
existe al menos un cj 6= 0.
Dividiendo por cj se obtiene
cj−1 cj+1
c1
cj ~
v1 + c2
cj ~
v2 + ··· + cj ~vj−1 + ~vj + cj ~vj+1 + ··· + cn
cj ~
vn = ~0 .
Sumando −~vj a ambos lados y multiplicando por −1 se obtiene

cj−1 cj+1
− cc1j ~v1 − c2
cj ~
v2 − ··· − cj ~vj−1 − cj ~vj+1 − ··· − cn
cj ~
vn = ~vj .
ci
Luego, existen k fracciones cj ,
con 1 6 k < n e i tomando valores entre 1 y n,
menos j, diferentes de cero, pues ~vj 6= ~0 por hipótesis. Tales ci se pueden agrupar cj
de tal forma que
ci1 ci2 cik
cj ~vi1 + cj ~vi2 + ··· + cj ~vik = ~vj .
Ası́,
ci1
cj ~vi1 + ci2
cj ~vi2 + ··· + cik
cj ~vik − ~vj + 0~vi(k+2) + · · · + 0~vin = ~0 .
’⇐=’
Puesto que existe un vector ~vj ∈ S, j ∈ [1, . . . , n], que es CL de los que le
preceden, entonces
~vj = c1~v1 + c2~v2 + · · · + cj−1~vj−1 .
Entonces, sumando −~vj a ambos lados se tiene

~0 = c1~v1 + c2~v2 + · · · + cj−1~vj−1 − ~vj .
Y agregando los vectores restantes con coeficiente cero al lado derecho, tenemos
~0 = c1~v1 + c2~v2 + · · · + cj−1~vj−1 − ~vj + 0~vj+1 + · · · + 0~vj+1 .
Luego, S es LD puesto que existe al menos un coeficiente, el de ~vj , diferente de

cero.
Ejemplo 176 (Vectores LD). En el espacio vectorial (R2 , +, ·), los vectores
ı̂ = (1, 0), ̂ = (0, 1) y ~u = (3, 4) son LD pues ~u se puede expresar como CL de ı̂
y ̂. Verifiquemos esto.
c1 ı̂ + c2 ̂ = ~u
c1 (1, 0) + c2 (0, 1) = (3, 4)
(c1 , c2 ) = (3, 4) .
De donde se obtiene que c1 = 3 y c2 = 4. Entonces ı̂, ̂ y ~u sı́ son LD; observe la

figura 4.4.
Ejercicio 196. ¿En (R3 , +, ·), los vectores ~u1 = (1, 0, 0), ~u2 = (0, 1, 0), ~u3 =
(0, 0, 1) y ~u4 = (2, 3, 4) son LI o LD?
Lema: Si un conjunto de vectores S = {~v1 , ~v2 , . . . , ~vk } genera un espacio vectorial

V y existe un vector v~j ∈ S que es CL de los vectores que le preceden, entonces
S ′ = {~v1 , ~v2 , . . . , ~vj−1 , ~vj+1 , . . . , ~vk } también genera a V .
Prueba.
Puesto que S genera a V , entonces todo vector ~v ∈ V puede ser expresado como
una CL de los vectores en S.
~v = c1~v1 + c2~v2 + · · · + cj ~vj + · · · + ck~vk . (4.7)

u 3=3u 1+4u 2
u2
u1
Figura 4.4: vectores en R2 LD
Ahora, ya que existe un ~vj que es CL de los vectores que le preceden, entonces
~vj = b1~v1 + b2~v2 + · · · + bj−1~vj−1 . (4.8)
Reemplazando (4.8) en (4.7) obtenemos
~v = c1~v1 + c2~v2 + · · · + cj (b1~v1 + b2~v2 + · · · + bj−1~vj−1 ) + · · · + ck ~vk .

Luego, agrupando se tiene
~v = (c1 + cj b1 )~v1 + (c2 + cj b2 )~v2 + · · · + (cj−1 + cj bj−1 )~vj−1 + cj+2~vj+2 + · · · + ck~vk .
Se concluye que cualquier vector ~v ∈ V puede ser expresado como una CL de

los vectores en S − {vj }.
Ejemplo 177. En el ejemplo 176, se puede verificar que los tres vectores generan
a R2 . Ahora, como ~u es CL de ı̂ y ̂, entonces estos dos vectores también generan
a R2 . Es tarea verificarlo.
Bases y dimensión
Definición 62 (Base). En un espacio vectorial (V, ⊕, ⊙), un conjunto de vectores
S = {~v1 , ~v2 , . . . , ~vn } es base para V si S es LI y genera a V .
Ejemplo 178 (Base para R2 ). Considerando los ejemplos 163 y 169, los vectores
~u1 = (1, 1) y ~u2 = (−1, 1) son una base para (R2 , +, ·) pues son LI y generan a
R2 .
Ejemplo 179 (Base para R3 ). En el espacio vectorial (R3 , +, ·), los vectores
ı̂ = (1, 0, 0), ̂ = (0, 1, 0) y k̂ = (0, 0, 1) son una base para R3 pues son LI y
generan a R3 . Verificarlo.
Se puede probar que los vectores coordenados unitarios en Rn (página 140)

son base para el espacio vectorial (Rn , +, ·).
Ejemplo 180 (Base para R3 ). Mostrar que S = {~v1 , ~v2 , ~v3 } con ~v1 = (1, 1, 1),
~v2 = (1, −1, 1) y ~v3 = (1, 1, −1) es una base para R3 .
Solución.
1. Primero veamos que S es LI.
(a) c1~v1 + c2~v2 + c3~v3 = ~0

c1 (1, 1, 1) + c2 (1, −1, 1) + c3 (1, 1, −1) = (0, 0, 0)
(b) De acá se obtiene el sistema
c1 + c2 + c3 = 0
c1 − c2 + c3 = 0
c1 + c2 − c3 = 0 .
(c) Al resolver este sistema por Gauss-Jordan (hacerlo) se encuentra que

1
c1 = c2 = c3 = 0, luego S es un conjunto LI .
2. Ahora se probará que S genera a R3 .
(a) Sea ~v = (a, b, c) un vector cualquiera en R3

(b) c1~v1 + c2~v2 + c3~v3 = ~v
c1 (1, 1, 1) + c2 (1, −1, 1) + c3 (1, 1, −1) = (a, b, c).
(c) Se obtiene el sistema
c1 + c2 + c3 = a
c1 − c2 + c3 = b
c1 + c2 − c3 = c .
(d) Al resolver este sistema por Gauss-Jordan (hacerlo) se obtiene
b+c a−b a−c

c1 = , c2 = , c3 =
2 2 2
(e) Como no hay restricciones para c1 , c2 y c3 , entonces S sı́ genera a V

2
.
2 se concluye que S es una base para R3 .

1 y
De
~ ~ ~ ~
Ejemplo
" 181 # (No base
" para# matrices
" simétricas).
# " ¿Es #S = {A1 , A2 , A3 , A4 } con
~1 = 1 0 , A
A ~2 = 0 1 , A ~3 = 0 0 y A ~ 4 = 0 0 una base para el espacio
0 0 0 0 1 0 0 1
vectorial de matrices simétricas de dimensión 2 × 2?
Solución.
1. Veamos si S es LI.
~ 1 + c2 A
(a) c1 A ~ 2 + c3 A
~ 3 + c4 A
~ 4 = ~0
" # " # " # " # " #
1 0 0 1 0 0 0 0 0 0
c1 + c2 + c3 + c4 = .
0 0 0 0 1 0 0 1 0 0
 
(b) 1c1 + 0c2 + 0c3 + 0c4 = 0   
 c1 =0

 

0c1 + 1c2 + 0c3 + 0c4 = 0   c2 =0
⇒
0c1 + 0c2 + 1c3 + 0c4 = 0  
 c3

 =0

 

0c1 + 0c2 + 0c3 + 1c4 = 0 . c4 =0
(c) Luego S es LI.

2. Veamos si S genera a M2×2 simétricas.
" #
~ = a b
(a) Una matriz simétrica real de 2 × 2 es de la forma A , con
b c
a, b, c ∈ R.
~ 1 + c2 A
(b) c1 A ~ 2 + c3 A
~ 3 + c4 A
~4 = A~
" # " # " # " # " #
1 0 0 1 0 0 0 0 a b
c1 + c2 + c3 + c4 = .
0 0 0 0 1 0 0 1 b c
3. De donde se obtiene que c1 = a, c2 = b, c3 = b y c4 = c.
4. Se observa que c2 debe ser igual a c3 , lo cual es una restricción.
Luego, aunque S es LI no es base para M2×2 simétricas por no generarlo. S

genera a todo M2×2 .
" # " #
~1, A
~2, A~ 3 } con A
~1 = 1 0 ~2 = 0 1
Ejercicio 197. Probar que S = {A ,A y
0 0 1 0
" #
~3 = 0 0
A sı́ es base para M2×2 simétricas.
0 1
Ejercicio 198. Probar que S = {t3 , t2 , t1 , t0 } es una base para P3 .

Teorema 46. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } es una
base para el espacio vectorial V , entonces cada vector ~v ∈ V puede escribirse de
una forma única como combinación lineal de los vectores en S.
Prueba.
Suponga que ~v puede expresarse como CL de los vectores en S de al menos dos
formas diferentes, es decir,
c1~v1 + c2~v2 + · · · + cn~vn = ~v ,
d1~v1 + d2~v2 + · · · + dn~vn = ~v ,
donde al menos un ci es diferente del correspondiente di .
Al restarle a la primera CL la segunda tenemos
(c1 − d1 )~v1 + (c2 − d2 )~v2 + · · · + (cn − dn )~vn = ~0 .
Como S es LI, entonces c1 − d1 = c2 − d2 = · · · = cn − dn = 0. De donde
obtenemos que c1 = d1 , c2 = d2 , . . . , cn = dn ; lo que contradice el supuesto de
que hay al menos dos formas diferentes de escribir ~v como CL de los vectores
en S. En conclusión, existe una y solo una forma de escribir ~v como CL de los
vectores en S.
Ejemplo 182. Los vectores coordenados unitarios ı̂ y ̂ conforman una base

para el espacio vectorial R2 . En el ejemplo 176 vimos que (3, 4) = 3ı̂ + 4̂, pues
bien, esta es la única forma de expresar ~u como CL de los vectores en S = {ı̂, ̂}.
Es importante anotar que existen otras formas de expresar ~u como CL de
vectores, pero de otras bases para R2 . Por ejemplo, si S = {~u1 , ~u2 } con ~u1 = (1, 1)
y ~u2 = (−1, 1), entonces (3, 4) = 72 ~u1 + 21 ~u2 (verificarlo).
Teorema 47. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } es
un conjunto de vectores no nulos en V , entonces algún subconjunto de S es una
base para gen(S).
Ejemplo 183. En (R3 , +, ·), dado el conjunto S = {(1, 0, 0), (0, 1, 0), (2, 3, 0)},
entonces el conjunto S ′ = {(1, 0, 0), (0, 1, 0)}, que es subconjunto de S, es base
para gen(S). Observe que (2, 3, 0) es CL de (1, 0, 0) y (0, 1, 0). El gen(S) es
{(a, b, 0) : a, b ∈ R}.
Ejemplo 184. Dado el espacio vectorial (R2 , +, ·), se puede verificar (hacerlo)
que el conjunto de vectores S = {ı̂, ̂, (3, 4)} genera a R2 . Pues bien, existe un
subconjunto de S que es base para R2 . Ese subconjunto es {ı̂, ̂}.
Teorema 48. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } es una
base para el espacio vectorial V , y T = {w
~ 1, w ~ r } ⊆ V es LI, entonces
~ 2, . . . , w
r 6 n.
Ejemplo 185. Dada la base canónica S = {~e1 , ~e2 , ~e3 , ~e4 } del espacio vectorial
(R4 , +, ·), se puede verificar que el conjunto de vectores T = {(2, 0, 0, 0), (0, 0, 5, 0),
(0, 0, 0, 3)} es LI. Por lo tanto se verifica el teorema, pues tres es menor que cua-
tro.
Corolario. Dado un espacio vectorial (V, ⊕, ⊙). Si S = {~v1 , ~v2 , . . . , ~vn } y T =

{w~1 , w ~ m } son bases para el espacio vectorial V , entonces n = m.
~ 2, . . . , w
Prueba.
1. Puesto que S es base para V , entonces S es LI, ası́, por el teorema 48,
n 6 m.
2. Puesto que T es base para V , entonces T es LI, ası́, por el teorema 48,
m 6 n.
Luego, n = m.
Ejemplo 186. En el ejemplo 182 vimos que dos bases para R2 son S = {(1, 0), (0, 1)}
y T = {(1, 1), (−1, 1)}. Se verifica entonces el teorema, pues 2 = 2.
Definición 63 (Dimensión de un espacio vectorial). Dado un espacio vectorial

(V, ⊕, ⊙) no nulo. Su dimensión es la cantidad de vectores que hay en alguna de
sus bases.
Ejemplo 187. De acuerdo a lo visto en los ejemplos 186, 179 y 185, la dimensión
de R2 es dos, la de R3 es tres, y la de R4 es cuatro, respectivamente. En general,
la dimensión de Rn es n.
Ejemplo 188. Se puede probar que la dimensión de P2 es tres, la de P3 es

cuatro, y en general la de Pn es n + 1.
Teorema 49. Dado un espacio vectorial (V, ⊕, ⊙) de dimensión finita y S ⊆ V .

Si S es LI, entonces existe una base para V que contiene a S.
Ejemplo 189. En el espacio vectorial (R4 , +, ·), el conjunto de vectores S =

{~u1 , ~u2 }, con ~u1 = (2, 0, 0, 0) y ~u2 = (0, 3, 0, 0) es LI. Podemos formar el conjunto
T = {~u1 , ~u2 , ~e3 , ~e4 }, el cual es una base para R4 . Verificarlo.
Teorema 50. Dados un espacio vectorial (V, ⊕, ⊙) de dimensión n y S =

{~v1 , ~v2 , . . . , ~vn } ⊆ V .
1. Si S es LI, entonces S es base para V .
2. Si S genera a V , entonces S es base para V .
Ejemplo 190. En el espacio vectorial (R5 , +, ·).
1. Si tenemos un conjunto de vectores S = {~u1 , ~u2 , ~u3 , ~u4 , ~u5 } que es LI, en-
tonces podemos asegurar que S es base para R5 .
2. Si tenemos un conjunto de vectores T = {w

~ 1, w
~ 2, w
~ 3, w ~ 5 } que genera a
~ 4, w
5
R , entonces podemos asegurar que T es base para R . 5

4.4 Bases ortonormales en Rn
En esta sección mostraremos como construir, a partir de una base dada para un
espacio vectorial Rn , una base para dicho espacio vectorial, de tal forma que cada
elemento de la nueva base es ortogonal a todos los otros y además es unitario.
Definición 64 (Conjunto ortogonal). Dado un espacio vectorial real (Rn , +, ·),

decimos que un conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } es ortogonal si cuales-
quier par de vectores diferentes en S son ortogonales, es decir, S es ortogonal si
∀~ui , ~uj ∈ S, i 6= j, ~ui · ~uj = 0.
Ejemplo 191. En el espacio vectorial (R3 , +, ·), los vectores ~u1 = (1, 1, 1), ~u2 =
(2, 4, −6) y ~u3 = (−5, 4, 1) son mutuamente ortogonales, pues ~u1 · ~u2 = ~u1 · ~u3 =
~u2 · ~u3 = 0. Entonces el conjunto de vectores S = {~u1 , ~u2 , ~u3 } es ortogonal.
Ejercicio 200. Dados los vectores ~u1 = (1, 1, −1) y ~u2 = (2, 1, 3), encuentre el
conjunto de vectores que sean ortogonales a ellos.
Ayuda. Construya un tercer vector como u~3 = (x, y, z) y plantee dos ecuaciones
con tres incógnitas. Obtendrá infinitas soluciones. Ese es el conjunto.
Definición 65 (Conjunto ortonormal). Dado un espacio vectorial real (Rn , +, ·),

decimos que un conjunto de vectores S = {~u1 , ~u2 , . . . , ~un } es ortonormal si es
ortogonal y la magnitud de cada vector en S es uno.
3
1 2 −2

Ejemplo 192. En vectorial R, +, · , los vectores ~u1 = 3 , 3 , 3 ,
el espacio
4 2
~u2 = 2√ 5
, 0, 2√ 5
y ~u3 = 3−2 √ , √ 5 4
, √
5 3 5 3 5
son mutuamente ortogonales, pues
~u1 · ~u2 = ~u1 · ~u3 = ~u2 · ~u3 = 0; y k ~u1 k=k ~u2 k=k ~u3 k= 1. Entonces el conjunto
de vectores S = {~u1 , ~u2 , ~u3 } es ortonormal.

Ejercicio 201. Dados los vectores ~u1 = √13 , √13 , √ −1
3
y ~
u 2 = √2 , √1 , √3
14 14 14
,
encuentre el conjunto de vectores que sean ortonormales a ellos.
Ejemplo 193. En el espacio vectorial (Rn , +, ·), su base canónica {~e1 , ~e2 , . . . , ~en },
es un conjunto ortonormal de vectores, pues ~ei ·~ej = 0, si i 6= j; y k ~ei k= 1, para
i ∈ [1, . . . , n].
Teorema 51. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es orto-
gonal, entonces S es LI.
Prueba. Por reducción al absurdo. Supongamos que S no es LI, luego S es LD.

Entonces ∃ u~j tal que
c1 u~1 + c2 u~2 + · · · + cj−1 uj−1

~ = u~j .
Al realizar el producto escalar por u~j a ambos lados, tenemos
(c1 u~1 ) · u~j + (c2 u~2 ) · u~j + · · · + (cj−1 uj−1

~ ) · u~j = u~j · u~j .
Luego, por S ser ortogonal
0 + 0 + · · · + 0 = ||u~j ||2 .
De donde se concluye que es un absurdo, pues
u~j 6= ~0 .
En conclusión, S es LI.
Corolario. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es ortonor-

mal, entonces S es LI.
Ejercicio 202.
1. Verificar que el conjunto S del ejemplo 191 es LI.

2. Verificar que el conjunto S del ejemplo 192 es LI.

Teorema 52. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es orto-
gonal, entonces S es una base para Rn .
Prueba. Puesto que S es ortogonal es LI; ahora como la dimensión de Rn es n,

entonces, por el teorema 50, concluimos que S es base para Rn .
Corolario. En el espacio vectorial (Rn , +, ·), si S = {~u1 , ~u2 , . . . , ~un } es ortonor-

mal, entonces S es una base para Rn .
Ejercicio 203.
1. Verificar que el conjunto S del ejemplo 191 es base para Rn .
2. Verificar que el conjunto S del ejemplo 192 es es base para Rn .
Definición 66 (Base ortogonal (ortonormal)). Una base ortogonal (ortonor-
mal) para un espacio vectorial Rn es aquella cuyos vectores forman un conjunto
ortogonal (ortonormal).
Ejemplo 194.
1. El conjunto S del ejemplo 191 es una base ortogonal para R3 .
2. El conjunto S del ejemplo 192 es una base ortonormal para R3 .
Teorema 53. Sea S = {~u1 , ~u2 , . . . , ~un } una base ortonormal para Rn y ~v un
vector en Rn , si
~v = c1 ~u1 + c2 ~u2 + · · · + cn ~un ,
entonces
ci = ~v · ~ui .
Prueba.
1 c1 ~u1 + c2 ~u2 + · · · + cn ~un = ~v ,
hipótesis
2
(c1 ~u1 + c2 ~u2 + · · · + cn ~un ) · ~ui = ~v · ~ui , 1
producto escalar en
3
c1 (~u1 · ~ui ) + c2 (~u2 · ~ui ) + · · · +
ci (~ui · ~ui ) + · · · + cn (~un · ~ui ) = ~v · ~ui , 2
resolviendo
4
c1 × 0 + c2 × 0 + · · · +
ci k ~ui k2 + · · · + cn × 0 = ~v · ~ui , por S ser ortogonal
5
ci = ~v · ~ui , por k ~ui k= 1.
Ejercicio 204. Dados S = {~u1 , ~u2 , . . . , ~un }, una base ortogonal para Rn , y ~v un
vector en Rn . Probar que si
~v = c1 ~u1 + c2 ~u2 + · · · + cn ~un ,
entonces
~v · ~ui
ci = .
k ~ui k2
Ejemplo 195 (Combinación lineal). Sea S = {~u1 , ~u2 , ~u3 } una base ortogonal
para R3 con
! ! !
1 1 1 1 1 1
~u1 = √ , 0, − √ , ~u2 = √ , 1, √ , ~u3 = − √ , 1, − √ .
2 2 2 2 2 2
Escribir el vector ~v = (1, 2, 3) como una combinación lineal de S considerando el

resultado obtenido en el ejercicio 204.
Solución.
!
~v · ~u1 1 1
c1 = = (1, 2, 3) · √ , 0, − √ 1
k u1 k2 2 2
1 3 2 √
= √ + 0 − √ = −√ = − 2 .
2 2 2
!
~v · ~u2 1 1
c2 = = (1, 2, 3) · √ , 1, √ 2
k u2 k2 2 2
! !
1 3 4 √
= √ +2+ √ 2= 2+ √ 2 = 1 + 2.
2 2 2
!
~v · ~u3 1 1
c3 = 2
= (1, 2, 3) · − √ , 1, − √ 2
k u3 k 2 2
! !
1 3 4 √
= −√ + 2 − √ 2= 2− √ 2 = 1 − 2.
2 2 2
√ √ √
Ası́, ~v = − 2 ~u1 + (1 + 2)~u2 + (1 − 2)~u3 .
Teorema 54 (Teorema de Gram–Schmidt). Sean el espacio vectorial (Rn , +, ·)
y S = {~u1 , ~u2 , . . . , ~un } una base para Rn , entonces existe una base W ortonormal
para Rn .
Método para calcular una base ortonormal mediante el proceso de

Gram–Schmidt.
Dada una base S = {~u1 , ~u2 , . . . , ~un } para Rn , entonces:
1. Construya una base ortogonal T = {~v1 , ~v2 , . . . , ~vn } a partir de S

~v1 = ~u1

~u2 · ~v1
~v2 = ~u2 − ~v1
~v1 · ~v1

~u3 · ~v1 ~u3 · ~v2
~v3 = ~u3 − ~v1 − ~v2
~v1 · ~v1 ~v2 · ~v2

~u4 · ~v1 ~u4 · ~v2 ~u4 · ~v3
~v4 = ~u4 − ~v1 − ~v2 − ~v3
~v1 · ~v1 ~v2 · ~v2 ~v3 · ~v3
..
.

~un · ~v1 ~un · ~v2 ~un · ~v3 ~un · ~vn−1
~vn = ~un − ~v1 − ~v2 − ~v3 − · · · − ~vn−1 .
~v1 · ~v1 ~v2 · ~v2 ~v3 · ~v3 ~vn−1 · ~vn−1
2. Obtenga una base ortonormal W = {w

~ 1, w ~ n } a partir de T
~ 2, . . . , w
~v1
w
~1 =
k ~v1 k
~v2
w
~2 =
k ~v2 k
~v3
w
~3 =
k ~v3 k
~v4
w
~4 =
k ~v4 k
..
.
~vn
w
~n = .
k ~vn k
Ejemplo 196 (Gram–Schmidt). Utilice el proceso de Gram–Schmidt para trans-

formar la base S = {(1, 1, 1), (1, 1, 0), (2, 1, 3)} de R3 en una base ortonormal.
Solución.
1. Los vectores originales son
~u1 = (1, 1, 1)
~u2 = (1, 1, 0)
~u3 = (2, 1, 3) .
2. Una base ortogonal T = {~v1 , ~v2 , ~v3 } construida a partir de S es

~v1 = (1, 1, 1)
!
~u2 · ~v1
~v2 = ~u2 − ~v1
~v1 · ~v1
! !
2 1 1 −2
= (1, 1, 0) − (1, 1, 1) = , , .
3 3 3 3
Para evitar los fraccionarios, multiplicamos ~v2 por tres, entonces ~v2 =
(1, 1, −2). Note que el nuevo ~v2 también es ortogonal a ~v1 . Continuamos
con ~v3 :
! !
~u3 · ~v1 ~u3 · ~v2
~v3 = ~u3 − ~v1 − ~v2
~v1 · ~v1 ~v2 · ~v2
! !
6 3
= (2, 1, 3) − (1, 1, 1) − − (1, 1, −2)
3 6
!
1 1
= ,− ,0 .
2 2
Al multiplicarlo por dos se obtiene ~v3 = (1, −1, 0).
3. Ahora, determinemos la base ortonormal W = {w
~ 1, w ~ 3 } a partir de T .
~ 2, w
!
1 1 1
~1 = √ , √ , √
w
3 3 3
!
1 1 −2
~2 = √ , √ , √
w
6 6 6
!
1 1
~3 = √ , −√ , 0 .
w
2 2
Ası́, W = {w
~ 1, w ~ 3 } es una base ortonormal para R3 construida a partir
~ 2, w
de S.
Unidad 5
Transformaciones Lineales
Definición 67. Una transformación lineal (TL) es una función entre dos espacios
vectoriales V y W , T : V → W , tal que
i) T (~u + ~v ) = T (~u) + T (~v )
ii) T (α~u) = αT (~u),
con ~u, ~v ∈ V y α un escalar.
Ejemplo 197. Probemos que T : R2 → R2 definida como T ((x, y)) = (−x, y) es

una TL.
Solución. Sean α un escalar y ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 . Entonces:
i) T (~u + ~v ) = T ((u1 , u2 ) + (v1 , v2 ))

= T ((u1 + v1 , u2 + v2 ))
= (−(u1 + v1 ), u2 + v2 )
= (−u1 − v1 , u2 + v2 )
= (−u1 , u2 ) + (−v1 , v2 )
= T ((u1 , u2 )) + T ((v1 , v2 ))
= T (~u) + T (~v ) .
ii) T (α~u) = T (α(u1 , u2 ))

= T ((αu1 , αu2 ))
= (−αu1 , αu2 )
= α(−u1 , u2 )
= αT ((u1 , u2 ))
= αT (~u) .
Luego, por i) y ii), T es una TL.

La figura 5.1 representa gráficamente esta TL. Observe que consiste en una
reflexión en R2 con respecto al eje y.
(-x ,y ) (x ,y )
T (u ) u
Figura 5.1: Transformación lineal T ((x, y)) = (−x, y)
Ejercicio 206. Pruebe que T : R2 → R2 definida como T ((x, y)) = (x, −y) es
una TL.
Ejemplo 198. Probemos que T : R3 → R3 definida como T ((x, y, z)) = (x, y, 0)

es una TL.
Solución. Sean α un escalar y ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) ∈ R3 . Entonces:
i) T (~u + ~v ) = T ((u1 , u2 , u3 ) + (v1 , v2 , v3 ))

= T ((u1 + v1 , u2 + v2 , u3 + v3 ))
= (u1 + v1 , u2 + v2 , 0)
= (u1 , u2 , 0) + (v1 , v2 , 0)
= T ((u1 , u2 , u3 )) + T ((v1 , v2 , v3 ))
= T (~u) + T (~v ) .
ii) T (α~u) = T (α(u1 , u2 , u3 ))

Transformaciones Lineales 211
= T ((αu1 , αu2 , αu3 ))

= (αu1 , αu2 , 0)
= α(u1 , u2 , 0)
= αT ((u1 , u2 , u3 ))
= αT (~u) .

proyección en el plano xy de cualquier vector en R3 .
z
(x ,y ,z )
(x ,y ,0 )
x
Figura 5.2: Transformación lineal T ((x, y, z)) = (x, y, 0)
Ejercicio 207. Pruebe que T : R3 → R3 definida como T ((x, y, z)) = (x, 0, z)

es una TL.
Ejemplo 199. Un fabricante elabora tres clases de productos P1 , P2 y P3 a

partir de dos tipos de materiales B1 y B2 . La tabla siguiente muestra la cantidad
de unidades de cada material que se requiere para fabricar una unidad de cada
producto.
P1 P2 P3
" #
B1 3 1 2
.
B2 6 2 3
Es decir, para elaborar el producto uno, se requieren 3 unidades del material uno
y 6 unidades del material dos; para elaborar el producto dos, se requiere 1 unidad
del material uno y 2 unidades del material dos; y para elaborar el producto tres,
se requieren 2 unidades del material uno y 3 unidades del material dos.
Si, por ejemplo, se requiere elaborar 1 unidad del producto uno, 4 unidades del
producto dos y 3 unidades del producto tres, entonces la cantidad de materiales
necesarios será:
b1 = 1 × 3 + 4 × 1 + 3 × 2 = 13 unidades
b2 = 1 × 6 + 4 × 2 + 3 × 3 = 23 unidades.
Lo anterior se puede representar matricialmente como

 
" # 1 " #
3 1 2 4 = 13 .

6 2 3   23
3
Y, en general, como
 
" # p1 " #
3 1  p 2  = b1 .
2  
6 2 3   b2
p3
Luego,
p = ~b .
A~
p), con T = Am×n y p~ ∈ Rn es una TL.

Ahora, probemos que T (~
Solución. Sean α un escalar y ~u, ~v ∈ Rn . Entonces:
i) T (~u + ~v ) = A(~u + ~v )
= A~u + A~v
= T (~u) + T (~v ) .
ii) T (α~u) = A(α~u)

= α(A~u)
= α(T (~u)) .

" #
cos θ − sin θ
Ejemplo 200. Pruebe que T : R2 → R2 definida como T (~u) = ~u
sin θ cos θ
es una TL.
Solución. Sean α un escalar y ~u = (u1 , u2 ), ~v = (v1 , v2 ) ∈ R2 . Entonces:
" # " # " #!
i) cos θ − sen θ u1 v1
T (~u + ~v ) = +
sen θ cos θ u2 v2
" # " #!
cos θ − sen θ u 1 + v1
=
sen θ cos θ u 2 + v2
" #
(u1 + v1 ) cos θ − (u2 + v2 ) sen θ
=
(u1 + v1 ) sen θ + (u2 + v2 ) cos θ
" #
u1 cos θ − u2 sen θ + v1 cos θ + v2 sen θ
=
u1 sen θ + u2 cos θ + v1 sen θ + v2 cos θ
" # " #
u1 cos θ − u2 sen θ v1 cos θ − v2 sen θ
= +
u1 sen θ + u2 cos θ v1 sen θ + v2 cos θ
" #" # " #" #
cos θ − sen θ u1 cos θ − sen θ v1
= +
sen θ cos θ u2 sen θ cos θ v2
= T (~u) + T (~v ) .
" # " #!
ii) cos θ − sen θ u1
T (α~u) = α
sen θ cos θ u2
" #" #
cos θ − sen θ αu1
=
sen θ cos θ αu2
" #
(αu1 ) cos θ − (αu2 ) sen θ
=
(αu1 ) sen θ + (αu2 ) cos θ
" #
u1 cos θ − u2 sen θ
=α
u1 sen θ + u2 cos θ
" #" #
cos θ − sen θ u1
=α
sen θ cos θ u2
= αT (~u) .

rotación en el plano xy de cualquier vector en R2 .
T (u )
Figura 5.3: rotación de un vector en R2 un ángulo θ
Ejercicio 208. Dado un espacio vectorial V tal que I : V → V es definido como

I(~v ) = ~v . Pruebe que I es una TL.
Ejercicio 209. Dados V y W espacios vectoriales tales que T : V → W es
definido como T (~v ) = ~0. Pruebe que T es una TL.
Ejercicio 210. Dados los espacios vectoriales Mm×n y Mn×m espacios vecto-
riales tales que T : Mm×n → Mn×m es definido como T (A) = AT . Pruebe que
T es una TL.
Ejemplo 201. Probemos que T : R3 → R2 definida como T ((x, y, z)) = (x, 1)
no es una TL.
Solución. Sean α un escalar y ~u = (u1 , u2 , u3 ), ~v = (v1 , v2 , v3 ) ∈ R3 . Entonces:
i) T (~u + ~v ) = T ((u1 , u2 , u3 ) + (v1 , v2 , v3 ))

= T ((u1 + v1 , u2 + v2 , u3 + v3 ))
= (u1 + v1 , 1).
Ahora,
T (~u) + T (~v ) = T ((u1 , u2 , u3 )) + T ((v1 , v2 , v3 ))

= (u1 , 1) + (v1 , 1)
= (u1 + v1 , 2).
Como T (~u + ~v ) 6= T (~u) + T (~v ), entonces T no es TL.

Aunque no es necesario, veamos si cumple la segunda condición
ii) T (α~u) = T (α(u1 , u2 , u3 ))

= T ((αu1 , αu2 , αu3 ))
= (αu1 , 1).
Ahora,
αT (~u) = αT ((u1 , u2 , u3 ))
= α(u1 , 1)
= (αu1 , α).
Como T (α~u) 6= αT (~u), entonces T no es TL.
Luego, por i) o ii), T no es una TL.
Ejercicio 211. Pruebe que T : R2 → R3 definida como T ((x, y)) = (x, y, 1) no

es una TL.
Ejercicio 212. Indique si T : R2 → R3 definida como T ((x, y)) = (x, y, x − y)

es una TL. Pruebe su respuesta.
Teorema 55. Sea T : V → W una TL. Entonces:
1. T (~0) = ~0.
2. T (~u − ~v ) = T (~u) − T (~v ), ∀~u, ~v ∈ V .
3. T (α1~v1 +α2~v2 +· · ·+αn~vn ) = α1 T (~v1 )+α2 T (~v2 )+· · ·+αn T (~vn ), ∀~v1 , ~v2 , . . . ~vn ∈
V y α1 , α2 , . . . αn escalares.
Prueba de 1.
1 T (~0) = T (~0),
identidad
2 T (~0 + ~0) = T (~0),
por ~0 = ~0 + ~0
3
T (~0) + T (~0) = T (~0), por T ser TL
4
T (~0) + T (~0) − T (~0) = T (~0) − T (~0), sumando a ambos lados −T (~0)
5
T (~0) + ~0 = ~0, por W ser espacio vectorial
5 T (~0) = ~0 por ~0 ser el módulo de + en W .
Luego, de ,
Prueba de 2.
1 T (~u − ~v ) = T (~u + (−1)~v ),
propiedad en R
2
= T (~u) + T ((−1)~v ), por T ser TL
3
= T (~u) + (−1)T (~v ), por T ser TL
4
= T (~u) − T (~v ), propiedad en R.
1 a ,
Luego, por 4 T (~u − ~v ) = T (~u) − T (~v ).
Prueba de 3. Por inducción
i) Para k = 1
T (α1~v1 ) = α1 T (~v1 ).
ii) Para k = 2
T (α1~v1 + α2~v2 ) = T (α1~v1 ) + T (α1~v1 )

= α1 T (~v1 ) + α2 T (~v2 ).
iii) Supóngamos para k = n − 1 (hipótesis inductiva)
T (α1~v1 + α2~v2 + · · · + αn−1~vn−1 )

= α1 T (~v1 ) + α2 T (~v2 ) + · · · + αn−1 T (~vn−1 ).
Entonces,
T (α1~v1 + α2~v2 + · · · + αn−1~vn−1 + αn~vn ) =

= T ((α1~v1 + α2~v2 + · · · + αn−1~vn−1 ) + αn~vn )
= T (α1~v1 + α2~v2 + · · · + αn−1~vn−1 ) + T (αn~vn )
= α1 T (~v1 ) + α2 T (~v2 ) + · · · + αn−1 T (~vn−1 ) + αn T (~vn ).
Luego, por inducción en iii), queda demostrado.
Teorema 56. Sean V y W espacios vectoriales y T1 : V → W y T2 : V → W

transformaciones lineales. Además, sea B = {~v1 , ~v2 , . . . , ~vn } una base de V . Si
~ i = T2 (~vi ), i = 1 . . . n, entonces ∀~v ∈ V se cumple que T1 (~v ) = T2 (~v ),
T1 (~vi ) = w
es decir, T1 = T2 .
Teorema 57. Sea T : V → W una transformación lineal de un espacio vectorial

V en un espacio vectorial W . Además, sea B = {~v1 , ~v2 , . . . , ~vn } una base de V .
Si ~v es cualquier vector en V , entonces T (v) queda completamente determinada
por {T (~v1 ), T (~v2 ), . . . , T (~vn )}
Ejemplo 202. Sea T : R3 → R2 definido por
     
1 " # 0 " # 0 " #
  −2   1   4
T0 = 3 , T 1 = 2 y T 0 = 0 .
     
0 0 1
 
4
 
−2.
Calcular T   
3
Solución.
        
     
4 1 0 0 1 0 0
        
     
T −2 0 − 2T 1 + 3T
4 0 − 2 1 + 3 0 = 4T
 = T
   0
      
     
3 0 0 1 0 0 1
" # " # " # " # " # " # " #
−2 1 4 −8 2 12 2
=4 −2 +3 = − + = .
3 2 0 12 4 0 8
Ejemplo 203. Encontrar una TL de R2 en el plano
  

 x
 



π=  y  : 2x + y − z = 0 .
   

 z 

Solución. El plano π, de dimensión dos, es un subespacio vectorial de R3 . Ob-

serve que z = 2x + y, luego:
1. Si x = 1 y y = 0, entonces z = 2.
2. Si x = 0 y y = 1, entonces z = 1.
   
1 0
   
Ahora, los vectores ~π1 = 0 y ~π2 = 1
  
 son una base para π, pues son LI y
2 1
son dos.
   
" #! 1 " #! 0
1   0  
Definimos entonces T : R2 → π como T 0 y T
= 
1.
= 
0 1
2 1
" #
x1
De esta forma, ∀~x = , tenemos que
x2
" #! " # " #! " #! " #!
x1 1 0 1 0
T =T x1 + x2 = x1 T + x2 T
x2 0 1 0 1
     
1 0 x1
     
= x1  0
 
 + x2 1 =  x2  .
   
2 1 2x1 + x2
Definición 68 (Núcleo de una Transformación Lineal). El núcleo de T : V → W ,

nu(T ), está dado por
nu(T ) = {~v ∈ V : T (~v ) = ~0} .
Definición 69 (Nulidad de una Transformación Lineal). La nulidad de T : V →

W , ν(T ), está dada por
ν(T ) = dim(nu(T )) .
Definición 70 (Imagen de una Transformación Lineal). La imagen de T : V →

W , im(T ), está dada por
im(T ) = {w
~ ∈W :w
~ = T (~v ) para algún ~v ∈ V } .
Definición 71 (Rango de una Transformación Lineal). El rango de T : V → W ,

ρ(T ), está dado por
ρ(T ) = dim(im(T )) .
Ejemplo
" 204.
#! Determinar
" # núcleo, nulidad, imagen y rango de T : R2 → R2 tal
x x
que T = , ∀~x ∈ R2 .
y 0
Lo que hace esta transformación es proyectar sobre el eje x cualquier vector
en R2 . Observe la figura 5.4.
(x ,y )
(x ,0 )
Figura 5.4: proyección en R2
Solución. Note que la imagen de T , los vectores de la forma

" #
x
, con x ∈ R,
0
se convierten en el vector nulo cuando x = 0. Luego,

(" # )
x
nu(T ) = :x=0yy∈R ,
y
es decir, el eje y.
" #
0
Para generar el eje y en R2 , solo necesitamos un vector, por ejemplo, que
1
obviamente es LI. Luego ν(T ) = 1.
La imagen de T es
(" # )
x
im(T ) = :y=0yx∈R ,
y
que corresponde al eje x.

" #
1
Para generar el eje x en R2 , necesitamos un vector, por ejemplo, que es
0
LI. Luego ρ(T ) = 1.
Ejemplo
 205.
 Determinar
  núcleo, nulidad, imagen y rango de T : R3 → R3 tal
x x
    3
y  =  0, ∀~x ∈ R .
que T     
z z
nu(T )
im(T )
Figura 5.5: núcleo e imagen de T en R2
Solución. Note que la imagen de T son los vectores de la forma

 
x
 
 0  , con x, z ∈ R.
 
z
Estos se convierten en el vector nulo cuando x = z = 0. Luego,

  

 x
 



nu(T ) =  y :x=z=0yy∈R ,
  

 z 

es decir, el eje y.
 
0
 
Para generar el eje y en R3 , solo necesitamos un vector, por ejemplo, 1
 

0
que obviamente es LI. Luego ν(T ) = 1.
La imagen de T es
  

 x
 



im(T ) = y 
 : y = 0 y x, z ∈ R ,

 

 z 
que corresponde al plano xz.

 Para generar
 el plano xz en R3 , necesitamos dos vectores, por ejemplo,
1 0
   
0 y 0 que son LI. Luego ρ(T ) = 2.
   
0 1
z
im(T )
nu(T )
Figura 5.6: núcleo e imagen de T en R3
Ejemplo 206. Sea T : V → W tal que T (~v ) = ~0, ∀~v ∈ V , entonces
nu(T ) = V e im(T ) = {~0} .
Ejemplo 207. Sea T : V → V tal que T (~v ) = ~v , ∀~v ∈ V , entonces
nu(T ) = {~0} e im(T ) = V .

Unidad 6
Valores propios y vectores

propios
Una transformación matricial de un vector en Rn en otro en Rm es una transfor-

mación lineal denotada como
T : Rn → Rm
~x 7→ T (~x) = A(~x) ,
donde hemos visto que se cumple
A(c~x + d~y ) = cA(~x) + dA(~y ) ,
siendo c y d escalares.
Estas trasnsformaciones lineales desempeñan un papel importante en diversas
áreas de la matemática, fı́sica, biologı́a, economı́a e ingenierı́a, entre otras. Pero
una cuestión de considerable importancia en estas es la determinación de vectores
~x, si los hay, tales que ~x y A~x sean paralelos. Veamos como determinar esos
vectores.
Definición 72 (Valor propio y vector propio). Dada una matriz An×n , decimos
que un número λ es un valor propio de A (o autovalor) si existe un vector ~x,
diferente del vector nulo, tal que
A~x = λ~x .
En tal caso, al vector ~x le llamamos vector propio (o autovector) de A asociado

a λ.
Ejemplo 208. Sea la matriz

" #
2 1
A= .
2 3

¿Es λ = 4 un valor propio de A y ~x = 12 , 1 un vector propio de A asociado a
λ?
Solución. Determinemos A~x
" #" # " #
2 1 21 2
A~x = = .
2 3 1 4
Ahora encontremos λ~x

" # " #
1
2 2
λ~x = 4 = .
1 4
Como A~x = λ~x, entonces λ sı́ es un valor propio de A y ~x es un vector propio

de A asociado a λ. Observe la figura 6.1.
A x = λx =(2,4)
x =(1/ 2,1)
1

Figura 6.1: vector propio ~x = 2,1 asociado al valor propio λ = 4 de A
El estudiante puede verificar que el vector ~y = (−2, −4) también es un auto-

vector de A asociado a λ = 4.
Afirmación 1. En general, si ~x es un vector propio de una matriz A asociado

a un valor propio λ, entonces cualquier vector paralelo a él, es un vector propio
de A asociado a λ.
Ejercicio 213. Pruebe la anterior afirmación.

Valores propios y vectores propios 225
Definición 73 (Polinomio caracterı́stico y ecuación caracterı́stica). Dada An×n ,

al determinante
fA (λ) = det(A − λIn )
se le llama polinomio caracterı́stico de A; y a det(A − λIn ) = 0 se le llama

ecuación caracterı́stica de A.
Teorema 58. Sea An×n , los valores propios de A son las raı́ces del polinomio
caracterı́stico de A.
Ejemplo 209. Encontrar los valores propios y los vectores propios asociados a
" #
−1 1
A= .
4 −1
Solución. Se tiene que
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .
Realizando las operaciones respectivas obtenemos

" #" # " #
−1 − λ 1 x1 0
= . (6.1)
4 −1 − λ x2 0
1. Valores propios. De (6.1) se obtiene un sistema de dos ecuaciones con

dos incógnitas; este sistema tiene solución no trivial si y solo si fA (λ) = 0,
entonces
fA (λ) = 0
det(A − λI2 ) = 0
(−1 − λ)(−1 − λ) − 4 = 0
1 + λ + λ + λ2 − 4 = 0
λ2 + 2λ − 3 = 0
(λ + 3)(λ − 1) = 0 .
Entonces, λ1 = −3 y λ2 = 1 son los valores propios de A.

2. Vectores propios
(a) Para λ1 = −3
Reemplazando en (6.1) se tiene
" #" # " #
−1 − (−3) 1 x1 0
= .
4 −1 − (−3) x2 0
Su matriz aumentada es
 
.
2 1 .. 0
 
..
4 2 . 0
Resolviendo por Gauss–Jordan se obtiene x2 = −2x1 . Por lo tanto,

los vectores propios asociados a λ1 = −3 son de la forma
" #
r
con r ∈ R − {0} .
−2r
Con r = 1 un vector propio asociado a λ1 = −3 es

" #
1
.
−2
(b) Para λ2 = 1 se tiene

" #" # " #
−1 − 1 1 x1 0
= .
4 −1 − 1 x2 0
 
..
−2 1 . 0
 
..
4 −2 . 0
Resolviendo por Gauss–Jordan se obtiene x2 = 2x1 . Entonces, los

vectores asociados a λ2 = 1 son de la forma
" #
s
con s ∈ R − {0} .
2s
" #
1
Con s = 1 se obtiene el vector propio .
2
Ejemplo 210. Encontrar los valores propios y los vectores propios de

 
2 2 3
 
A= 1 2 1 .

2 −2 1
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .

    
2−λ 2 3 x 0
   1  
2−λ  x2  = 0 . (6.2)
 1 1     

2 −2 1 − λ x3 0
1. Para encontrar los valores propios se escribe el polinomio caracterı́stico de

A
fA (λ) = det(A − λI3 )

= (2 − λ)(2 − λ)(1 − λ) − 6 + 4 − 6(2 − λ) − 2(2 − λ) + 2(1 − λ)

= (4 − 4λ + λ2 )(1 − λ) − 2 − 12 − 6λ − 4 + 2λ + 2 − 2λ
= [4 − 4λ + λ2 − 4λ + 4λ2 − λ3 − 2] − [10 − 6λ]
= −λ3 + 5λ2 − 2λ − 8 .
Entonces, la ecuación caracterı́stica es
−λ3 + 5λ2 − 2λ − 8 = 0
λ3 − 5λ2 + 2λ + 8 = 0
(λ + 1)(λ − 2)(λ − 4) = 0 .
Luego, los valores propios de A son: λ1 = −1, λ2 = 2 y λ3 = 4.

Nota: recuerde que posibles ceros de fA son los factores del término in-
dependiente (8 en este caso), es decir, ±1, ±2, ±4 y ±8, divididos por los
factores del coeficiente de la variable de más alto exponente (λ3 para este
caso), es decir, ±1.
2. Los vectores propios son:
(a) Para λ1 = −1
Reemplazando en (6.2) se tiene
    
3 2 3 x 0
   1  
1 3 1 x2  = 0 .
    
2 −2 2 x3 0
 
..
 3 2 3 . 0 
 .. 
1 3 1 . 0 .
 
..
2 −2 2 . 0
Resolviendo por Gauss–Jordan se obtiene x1 = −x3 y x2 = 0. Por lo

tanto, los vectores propios asociados a λ1 = −1 son de la forma
 
r
 
 0  con r ∈ R − {0} .
 
−r

 
1
 
 0 .
 
−1
(b) Para λ2 = 2
    
0 2 3 x 0
   1  
1 0
 1  x2  = 0
   
.
2 −2 −1 x3 0
 
..
0 2 3 . 0
 .. 
1 0 1 . 0 .
 
..
2 −2 −1 . 0
Resolviendo por Gauss–Jordan se obtiene que x1 = −x3 y x2 = − 23 x3 .

Entonces, los vectores asociados a λ2 = 2 son de la forma
 
2s
 
 3s  con s ∈ R − {0} .
 
−2s
 
2
 
Con s = 1 se obtiene el vector propio 
 3 .

−2
(c) Para λ3 = 4
   
−2 2 3 x 0
   1  
 1 −2 1  x2  = 0 .
    
2 −2 −3 x3 0
Su matriz aumentadad es
 
..
−2 2 3 . 0
 .. 
 1 −2 1 . 0 .
 
..
2 −2 −3 . 0
Resolviendo por Gauss–Jordan se obtiene que x1 = 4x3 y x2 = 52 x3 .

Luego, los vectores propios asociados a λ3 = 4 son de la forma
 
8t
 
5t con t ∈ R − {0} .
 
2t
 
8
 
Para t = 1 se obtiene el vector propio 
5.

2
Nota: Al desarrollar f (λ) = det(A − λIn ) obtenemos un polinomio de grado n

tal que
f (λ) = c0 + c1 λ + · · · + cn−1 λn−1 + cn λn = det(A − λIn ) .
Entonces, f (0) = c0 = det(A).

Teorema 59. Una matriz An×n es no invertible si y solo si λ = 0 es un autovalor
de A.
Prueba. ’=⇒’
1 An×n es no invertible,
hipótesis
2
det(A) = 0, por hipótesis
3
det(A − λIn ) = c0 + c1 λ + · · · + cn λn , desarrollo del polinomio
caracterı́stico de A
4
c0 = 0, 2 y det(A) = c0 en
por 3
5
det(A − λIn ) = c1 λ + c2 λ2 + · · · + cn λn 4 en
3
6
= λ(c1 + c2 λ + · · · + cn λn−1 5
factor común en
7
0 = λ(c1 + c2 λ + · · · + cn λn−1 ) los valores propios de A son
las raı́ces de la ecuación
caracterı́stica de A
8
λ = 0 o c1 + c2 λ + · · · + cn λn−1 =0 7
de
8 λ = 0 es un valor propio de A.
Luego, por ,
Ejercicio 214. Realizar ’⇐=’.

Ayuda: comience con c0 + c1 λ + c2 λ2 + · · · + cn λn = 0.
Ejemplo 211. Sea λ un valor propio de An×n . Probar que el subconjunto S de

Rn , consistente en todos los vectores propios de A asociados con λ forma, junto
con el vector nulo, un subespacio de (Rn , +, ·). Este subespacio se llama espacio
propio asociado a λ.
Prueba.
1 Sean λ un valor propio de A y ~x, ~y dos
hipótesis
vectores propios de A asociados a λ,
2
A~x = λ~x y A~y = λ~y , 1
por
3
A(~x + ~y ) = A~x + A~y linealidad de la transformación matricial
4
= λ~x + λ~y 2 en
3
5
= λ(~x + ~y), distributividad .
3 a ,
Luego, por 5 ~x + ~y ∈ S
a
6
Sea d ∈ R, entonces d(A~x) = d(λ~x) 2
por
7
A(d~x) = λ(d~x) multiplicación de un escalar por un vector.
b
Luego d~x ∈ S
b S sı́ es un subespacio de Rn .
a y ,
En conclusión, por
Ejemplo 212. Si λ es un valor propio de An×n con vector propio asociado ~x,
probar que λk es un valor propio de Ak , k ∈ N, con vector propio asociado ~x.
Solución.
1
A~x = λx, hipótesis
2
A2 ~x = A(A~x), pues A2 = AA y asociatividad
3
= A(λ~x), 1
por
4
= λ(A~x), multiplicación de un escalar por un vector
5
= λ(λ~x), 1
por
6
= λ2 ~x, 4 .
razón de
Luego, λ2 es un autovalor de A2 con el vector propio asociado ~x.
7
Sea Ak−1 ~x = λk−1 ~x, hipótesis inductiva
8
Ak ~x = A(Ak−1 ~x), 2
razón de
9
= A(λk−1 ~x), 7
por
10
= λk−1 (A~x), 4
razón de
11
= λk−1 (λ~x), 1
por
12
= λk ~x, 4 .
razón de
Luego, λk es un autovalor de Ak con el vector propio asociado ~x.
Definición 74 (Matriz semejante). Una matriz An×n es semejante a una matriz

B, si existe una matriz P invertible tal que
A = P −1 BP .
Ejemplo 213. El estudiante puede verificar que la matriz

" #
2 1
A=
2 3
del ejemplo 208 es semejante a la matriz

" #
1 0
B= ,
0 4
pues A = P −1 BP , donde
" # " #
1 2 −1 −1 1 1
P = yP = .
3 1 1 −1 2
Ejemplo 214. Sean

" # " # " #
2 0 −2 2 1 2
D= , B= yP = .
0 −3 2 1 2 −1
Puede verifircarse que D = P −1 BP . Por lo tanto D es semejante a B.

Teorema 60 (Relación de equivalencia en semejanza). Sean A, B, C ∈ Mn×n ,
entonces:
1. A es semejante a A
Prueba.
1 Sea I la matriz identidad

2
A = I −1 AI .
Luego, A es semejante a A.
2. Si A es semejante a B, entonces B es semejante a A
Prueba.
1 A es semejante a B,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
P AP −1 = P (P −1 BP )P −1 , multiplicando por P y P −1
4
(P −1 )−1 AP −1 = IBI, por P = (P −1 )−1 e I = P P −1
5
B = (P −1 )−1 AP −1 4 .
de
5 B es semejante a A.
Luego, por ,
3. Si A es semejante a B y B es semejante a C, entonces A es semejante a

C
Prueba.
1 A es semejante a B y B es semejante a C,
hipótesis
2
∃P invertible tal que A = P −1 BP , por hipótesis
3
∃Q invertible tal que B = Q−1 CQ, por hipótesis
4
A=P −1 (Q−1 CQ)P , 3 en
2
5
A=(P −1 Q−1 )C(QP ), asociatividad
6
A=(QP )−1 C(QP ), propiedad de la inversa.
6 A es semejante a C.
Luego, de ,
Definición 75 (Matriz diagonalizable). Una matriz An×n es diagonalizable si

es semejante a una matriz diagonal.
Ejemplo 215. Por lo visto en el ejemplo 213, la matriz del ejemplo 208 es
diagonalizable, pues
A = P −1 DP
" # " #" # " #!
2 1 1 1 1 0 1 2 −1
= .
2 3 −1 2 0 4 3 1 1
Teorema 61. Sean A, B matrices semejantes. Entonces ambas matrices tienen

los mismos valores propios.
Prueba. Como A y B son semejantes, entonces existe una matriz P invertible

tal que A = P −1 BP , luego
fA (λ) = det(A − λIn )

= det(P −1 BP − λIn )
= det(P −1 BP − λIn P −1 P )
= det(P −1 BP − P −1 λIn P )
= det(P −1 (B − λIn ) P )
= det(P −1 ) det(B − λIn ) det(P )
= det(P −1 ) det(P ) det(B − λIn )
= det(B − λIn )
= fB (λ) .
Entonces, A y B tienen el mismo polinomio caracterı́stico. Luego, tienen los

mismos valores propios.
Teorema 62. Una matriz An×n es diagonalizable si y solo si tiene n vectores

propios linealmente independientes.
Teorema 63. Si todos los valores propios de una matriz An×n son diferentes
entre sı́, entonces A es diagonalizable.
Ejemplo 216. La matriz A del ejemplo 210 es diagonalizable, pues sus valores
propios son λ1 = −1, λ2 = 2 y λ3 = 4. Ahora, como A es diagonalizable,
encontrar P tal que P −1 AP = D.
Solución. Tres vectores propios LI, asociados a λ1 = −1, λ2 = 2 y λ3 = 4,
respectivamente, son:
     
1 2 8
     
 0 , 3 y 5 .
     
−1 −2 2
La matriz P se construye con estos tres vectores:

 
1 2 8
 
P = 0 3 .
5
−1 −2 2
De donde se obtiene
 
16 −20 −14
1  
P −1 =
 
−5 10 −5  .
30  
3 0 3
Ahora,
D = P −1 A P
   
16 −20 −14 2 2 3 1 2 8
1 


  
= −5 10 −5   1 2 1 0 3 5
30      
3 0 3 2 −2 1 −1 −2 2
 
−1 0 0
 
=  0 2 0

.
0 0 4
Notas:
1. Si no todos los valores propios de A son distintos, entonces A puede ser o

no diagonalizable.
2. Si una raı́z de un polinomio caracterı́stico se repite, se dice que es una

raı́z de multiplicidad dos; si se obtiene tres veces, entonces es una raı́z de
multiplicidad tres; y ası́ sucesivamente.
3. Cuando, por cada valor propio λi de una matriz An×n que se repite ki
veces, es posible encontrar ki vectores propios de A, asociados a λi , que
sean LI, entonces A es diagonalizable.
Ejemplo 217. Dada la matriz

 
3 3 3
 
A=
3 3 ,
3
−3 −3 −3
encontrar los valores propios, los vectores propios y, si es posible, una matriz P
invertible tal que D = P −1 AP con D matriz diagonal.
Solución.
A~x = λ~x
A~x − λ~x = ~0
(A − λI3 )~x = ~0
    
3−λ 3 3 x 0
   1  
3−λ  x2  = 0 . (6.3)
 3 3     

−3 −3 −3 − λ x3 0
1. Valores propios

= (3 − λ)(3 − λ)(−3 − λ) − 27 − 27 −

− 9(3 − λ) − 9(3 − λ) + 9(−3 − λ)

= (9 − 6λ + λ2 )(−3 − λ) − 54 − − 27 + 9λ − 27 + 9λ − 27 − 9λ
= [−27 − 9λ + 18λ + 6λ2 − 3λ2 − λ3 − 54] − [−81 + 9λ]
= −λ3 + 3λ2
= λ2 (3 − λ) = 0 .
Ası́ los valores propios son λ1 = 0, λ2 = 0 y λ3 = 3.

2. Vectores propios
(a) Reemplazando λ1,2 = 0 en (6.3) se tiene

    
3 3 x 3 0
   1  
3
 3 3  x2  = 0
   
.
−3 −3 −3 x3 0
Al resolver este sistema por Gauss-Jordan se obtiene
x1 = −x2 − x3 = −r − s
x2 = r
x3 = s .
Dos vectores propios LI son

   
1 1
   
−1 y  0  .
   
0 −1
(b) Reemplazando en (6.3) se tiene

    
0 3 x 3 0
   1  
3
 0 3  x2  = 0
   
.
−3 −3 −6 x3 0
Al resolver el sistema por Gauss–Jordan se obtiene
x1 = −x3 = r
x2 = −x3 = r .
Si r = 1, un vector propio es
 
1
 
 1 .
 
−1
Ası́, se tienen tres vectores LI. Luego A sı́ es diagonalizable.

   
1 1 1 1 0 1
   
P = −1 0 1  , P −1 = −1 −1 −2 y
   
0 −1 −1 1 1 1
D = P −1 AP
     
1 0 1 3 3 3 1 1 1 0 0 0
     
=−1 −1 −2  3
 3 3 −1 0
 1 = 0 0 0 .
 
1 1 1 −3 −3 −3 0 −1 −1 0 0 3
Ejemplo 218. Pruebe que si D = P −1 AP , entonces An = P D n P −1 .

Solución. Puesto que D = P −1 AP entonces D n = (P −1 AP )n . Desarrollando
el lado derecho, tenemos D n = (P −1 AP )(P −1 AP ) · · · (P −1 AP ). Ahora, como
| {z }
n−veces
P P −1 = I, entonces D n = P −1 An P . Entonces, P D n = P (P −1 An P ). Luego,
P D n P −1 = An P P −1 . Por último, P D n P −1 = An .
Ejemplo 219. Si
" #
5 −6
A= ,
3 −4
calcular A6 empleando el anterior resultado.

Solución. Los valores propios de A son λ1 = 2 y λ2 = −1, con vectores propios
asociados
" # " #
2 1
y ,
1 1
respectivamente. Luego,
" # " #
2 1 −1 1 −1
P = y P = .
1 1 −1 2
Entonces,
A6 = P D 6 P −1
" #" #6 " #

2 1 2 0 1 −1
=
1 1 0 −1 −1 2
" #" #" #
2 1 (2)6 0 1 −1
=
1 1 (−1)6 −1
0 2
" #" #" #
2 1 64 0 1 −1
=
1 1 0 1 −1 2
" #
127 −126
= .
63 −62
Ejercicio 215. Si
" #
2 −2
A= ,
0 −2
calcular A6 empleando el anterior resultado.
Teorema 64. Sea A una matriz simétrica, entonces todos sus valores propios
son números reales.
Teorema 65. Si A es una matriz simétrica, entonces los vectores propios co-
rrespondientes a valores propios diferentes de A son ortogonales.
Prueba. Falta hacer prueba
Ejemplo 220. Encontrar los valores propios y los vectores propios de

 
2 3 1
 
A=  3 2 −1 .

1 −1 0
A~x = λ~x
A~x − λ~x = ~0
A~x − λI~x = ~0
(A − λI)~x = ~0 .

    
2−λ 3 1 x 0
   1  
 3
 2 − λ −1  x2  = 0
   
. (6.4)
1 −1 0 − λ x3 0
1. Para encontrar los valores propios escribimos la ecuación caracterı́stica

fA (λ) = 0.
det(A − λI3 ) = 0

(2 − λ)(2 − λ)(0 − λ) − 3 − 3 − (2 − λ) + (2 − λ) + (−9λ) = 0

(4 − 4λ + λ2 )(−λ) − 6 − 4 − 11λ] = 0
−λ3 + 4λ2 − 4λ − 6 − 4 + 11λ = 0
λ3 − 4λ2 − 7λ + 10 = 0
(λ + 2)(λ − 1)(λ − 5) = 0 = 0 .
Entonces, los valores propios de A son: λ1 = −2, λ2 = 1 y λ3 = 5.
2. Los vectores propios son:
(a) Para λ1 = −2, reemplazando en (6.4) se obtiene
    
4 3 1 x 0
   1  
3 4
 −1 x2  = 0
   
.
1 −1 2 x3 0
 
..
 3 2 3 . 0 
. 
1 3 1 .. 0 .

 
..
2 −2 2 . 0
Resolviendo por Gauss–Jordan se obtiene x1 = −x3 y x2 = x3 . Por

lo tanto, los vectores propios asociados a λ1 = −2 son de la forma
 
r
 
−r con r ∈ R − {0} .
 
−r

 
1
 
~u1 = −1

.
−1
(b) Para λ2 = 1, reemplazando en (6.4) se obtiene

    
1 3 1 x 0
   1  
3 1 −1 x2  = 0 .
    
1 −1 −1 x3 0
 
..
 1 3 1 . 0
. 
3 1 −1 .. 0 .

 
..
1 −1 −1 . 0
Resolviendo por Gauss–Jordan se obtiene que x1 = 21 x3 y x2 = − 21 x3 .

Entonces, los vectores asociados a λ2 = 1 son de la forma
 
s
 
−s con s ∈ R − {0} .
 
2s
 
1
 
Con s = 1 se obtiene el vector propio ~u2 = 
−1.

2
(c) Para λ3 = 5, reemplazando en (6.4) se obtiene

    
−3 3 1 x 0
   1  
 3 −3
 −1 x2  = 0
   
.
1 −1 −5 x3 0
Su matriz aumentadad es
 
..
−3 3 1 . 0
 .. 
 3 −3 −1 . 0
 
..
1 −1 −5 . 0
Resolviendo por Gauss–Jordan se obtiene que x1 = x2 y x3 = 0.

Luego, los vectores propios asociados a λ3 = 5 son de la forma
 
t
 
 t  con t ∈ R − {0} .
 
0
 
1
 
Para t = 1 se obtiene el vector propio ~u3 = 1

.
0
Al realizar los productos punto ~u1 · ~u2 , ~u1 · ~u3 y ~u2 · ~u3 , se encuentra que todos
son cero. Por lo tanto se verifica el teorema 65.
Ejercicio 216. Verificar que los valores propios de la matriz

" #
5 2
A=
2 5
son λ1 = 3 y λ2 = 7. Y que los vectores propios asociados, respectivamente, que

son de la forma
" # " #
r s
y , r, s ∈ R ,
−r s
son ortogonales.
Definición 76 (Matriz ortogonal). Una matriz A invertible es llamada ortogonal

si
A−1 = AT .
Ejemplo 221. La siguiente matriz es ortogonal

 
√1 √1 √1
 −13 −1
6 2
A= √ √ √1  ,
 3 6 2
−1 √2
√
3 6
0
pues se puede verificar que A−1 = AT .
Teorema 66. Una matriz An×n es ortogonal si y solo si sus columnas forman
un conjunto ortonormal de vectores en Rn .
Ejemplo 222. El estudiante puede verificar que las columnas de la matriz A

del ejemplo 221 forman un conjunto ortonormal de vectores en R3 .
Teorema 67. Si An×n es una matriz simétrica, entonces existe una matriz
ortogonal P tal que P −1 AP = D es una matriz diagonal. Además, los valores
propios de A están sobre la diagonal principal de D.
Cuando una matriz A se diagonaliza mediante una matriz P ortogonal, de-

cimos que A se ha diagonalizado ortogonalmente.
Ejemplo 223. Diagonalizar ortogonalmente la matriz

" #
2 1
A= .
1 2
Solución. Sabemos que
A~x = λ~x
A~x = λI~x
A~x − λI~x = ~0
(A − λI)~x = ~0 .

" #" # " #
2−λ 1 x1 0
= . (6.5)
1 2−λ x2 0
1. Valores propios. De (6.5) se obtiene un sistema de dos ecuaciones con

dos incógnitas; este sistema tiene solución no trivial si y solo si fA (λ) = 0,
entonces

= (2 − λ)(2 − λ) − 1 = 0
= 4 − 4λ + λ2 − 1 = 0
= λ2 − 4λ + 3 = 0
= (λ − 1)(λ − 3) = 0 .
Entonces, λ1 = 1 y λ2 = 3 son los valores propios de A.
2. Vectores propios
(a) Para λ1 = 1, reemplazando en (6.5) se tiene

" #" # " #
2−1 1 x1 0
= ,
1 2 − 1 x2 0
 
..
1 1 . 0
 .
..
1 1 . 0
Resolviendo por Gauss–Jordan se obtiene x2 = −x1 . Por lo tanto, los

vectores propios asociados a λ1 = 1 son de la forma
" #
r
con r ∈ R − {0} .
−r
Con r = 1 un vector propio asociado a λ1 = 1 es

" #
1
.
−1
(b) Para λ2 = 3 se tiene

" #" # " #
2−3 1 x1 0
= .
1 2−3 x2 0
 
..
−1 1 . 0
 .
..
1 −1 . 0
Resolviendo por Gauss–Jordan se obtiene x2 = x1 . Entonces, los vec-

tores asociados a λ2 = 3 son de la forma
" #
s
con s ∈ R − {0} .
s
" #
1
Con s = 1 se obtiene el vector propio .
1
3. Determinar P. Al normalizar los vectores propios

" # " #
1 1
y ,
−1 1
se obtiene
" # " #
√1 √1
2 y 2 ,
− √12 √1
2
respectivamente. Entonces
" #
√1 √1
P = 2 2 .
− √12 √1
2
Luego, su inversa es
" #
√1 − √12
P −1 = 2 .
√1 √1
2 2
4. Determinar D
" #" #" #
√1 − √12 2 1 √1 √1
−1 2 2 2
D=P AP =
√1 √1 1 2 − √12 √1
2 2 2
" #" #
√1 − √12 √2 − √1 √2 + √1
= 2 2 2 2 2
√1 √1 √1 − √2 √1 + √2
2 2 2 2 2 2
" #" #
√1 − √12 √1 √3
= 2 2 2
√1 √1 − √12 √3
2 2 2
" #
1 1 3 3
2 + 2 2 − 2
= 1 1 3 3
2 − 2 2 + 2
" #
1 0
= .
0 3
Ejemplo 224. Diagonalizar ortogonalmente la matriz A del ejemplo 220.

Solución. Al normalizar la matriz formada por los vectores ~u1 , ~u2 y ~u3 , deter-
minados en dicho ejemplo, se obtiene la matriz
 
√1 √1 √1
 −13 −1
6 2
P = √ √ √1  .
 3 6 2
−1 √2
√
3 6
0
Y como P −1 = P T , entonces
 
√1 −1
√ −1
√
 13 3 3
P −1 = √
 6
−1
√
6
√2  .
6
√1 √1 0
2 2
Entonces
 
−2 0 0
−1
 
P AP =  0 1 0

.
0 0 5
Teorema 68. Una matriz An×n es diagonalizable ortogonalmente si y solo si es

simétrica.

Algebra Linealde Luis Moreno

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Algebra Linealde Luis Moreno

Cargado por

Copyright:

Formatos disponibles

Conceptos básicos de

Autor Luis F. Moreno S.

Edición y diagramación: José Luis Moreno Avendaño y Luis F. Moreno S.

Conceptos básicos de Álgebra Lineal

1 Matrices y sistemas de ecuaciones lineales 1

4 Espacios Vectoriales 163

5 Transformaciones Lineales 209

6 Valores propios y vectores propios 223

Surge este texto por la necesidad detectada en los estudiantes de pregrado de

Acerca de las pruebas matemáticas

Comenzaré la explicación de lo que es una prueba mediante una analogı́a y

1. Un ejemplo no es una prueba. Es solo una verificación.

2. Nunca asuma hipótesis que no han sido dadas en la afirmación.

El objetivo de esta unidad es conocer el concepto de matriz, sus operaciones y

Definición 1 (Matriz). Una matriz, denotada por una letra mayúscula, es un

En general, una matriz de m filas y n columnas la escribiremos como Am×n

Entonces, cada bij indica la nota del alumno i en el parcial j o seguimiento.

Ejercicio 1. Calcule la nota promedio de cada estudiante. Puede hacerlo ma-

Ejercicio 2. Construya una matriz N en la que represente las asignaturas que

Ejemplo 2 (Producción). Para la elaboración de plastilina se requiere dos com-

Las anteriores inecuaciones son representadas matricialmente en la forma

Figura 1.1: triángulo a ser reflejado en y = −x

habrı́a que multiplicar la matriz

Ejemplo 4. Diremos que las matrices

son iguales si y solo si x + y = 3, 2x + 3y = 8 y 2x + y = 4.

Ejercicio 3. De acuerdo a sus conocimientos previos de álgebra, en el ejemplo

Ejercicio 4. ¿Son las matrices

iguales? Justifique su respuesta.

Definición 3 (Matriz cuadrada). Una matriz Am×n es cuadrada si m = n, es

Ejemplo 5. La matriz A4×4 es cuadrada

pues tiene cuatro filas y cuatro columnas.

Ejercicio 6. Identifique y escriba los elementos de la diagonal principal de cada

Ejemplo 6. A, B y C son matrices diagonales

Ejercicio 7. ¿Es la matriz

diagonal? Justifique su respuesta verbal y matemáticamente.

Ejemplo 7. Las matrices A, B y C dadas a continuación son escalares.

escalar? Justifique su respuesta verbal y matemáticamente.

Emplearemos la notación In para representar a la matriz identidad de tamaño

Ejercicio 10. Construya I5 e I6 .

Ejercicio 12. Construya tres matrices binarias.

Figura 1.2: grafo dirigido de un sistema de comunicación

La representación matricial de este grafo es

Ejercicio 13. Determinar A + B, si

Ejercicio 14. Las matrices

no pueden ser sumadas. ¿Por qué?

La suma binaria la realizaremos de la siguiente forma: 0 + 0 = 0, 0 + 1 = 1,

Ejemplo 12. Dadas las matrices

Teorema 1 (Suma de matrices diagonales). La suma de dos matrices diagonales

Nota. Para probar un teorema debemos identificar claramente la(s) hipótesis y

Ejercicio 15. Para verificar el teorema 1, invente dos matrices diagonales y

Definición 9 (Multiplicación de un escalar por una matriz). Dados c ∈ R, un

es decir, para multiplicar un escalar por una matriz, simplemente multiplicamos

Ejemplo 13. Sean c = −3 y

Ejercicio 19. Si c = −1, d = 4,

1. Probar que la resta de dos matrices diagonales es una matriz diagonal.

Si se le dificulta realizar el ejercicio 20, primero realice al menos tres veces el

Ejercicio 23. Construya cinco matrices de diferentes tamaños y determine la

Ejemplo 16 (Resta de matrices

Ejercicio 24. Dados  

Definición 12 (Matriz simétrica). Una matriz A es simétrica si es igual a su

Ejemplo 17. La matriz

Ejercicio 25. ¿Es la matriz

simétrica? Justifique su respuesta.